Создание и клиническое применение мультимодальной системы диагностики опухолей яичников на основе искусственного интеллекта

Методы/план Цель исследования Первой целью этого исследования является создание общедоступного набора данных мультимодальной опухоли яичника, который включает ультразвуковые изображения, изображения МРТ и данные клинических показателей для поддержки задач, управляемых искусственным интеллектом. Этот набор данных будет объединять различные типы медицинских данных для облегчения комплексного анализа ИИ и обучения моделей. Используя технологию сверточной нейронной сети (CNN), исследование направлено на достижение интеллектуального многоклассового распознавания мультимодальных изображений. Это включает в себя извлечение и анализ особенностей данных визуализации и их интеграцию с многомерными клиническими данными на уровне признаков с целью обучения и проверки вспомогательной диагностической модели, способной точно прогнозировать по крайней мере десять наиболее распространенных патологических типов опухолей яичников. Кроме того, в исследовании будут использоваться методы вычислений, сохраняющие конфиденциальность, и методы федеративного обучения для проведения многоцентровой перспективной оптимизации и проверки модели. Эти методы обеспечат безопасность и конфиденциальность данных, а также позволят проводить совместное обучение моделей. Конечная цель — разработать клиническую вспомогательную диагностическую систему, которая сможет прогнозировать патологические типы большинства опухолей яичников и быть внедрена в клинических условиях. Этот комплексный подход направлен на использование сильных сторон технологии искусственного интеллекта в медицинской визуализации, обеспечивая безопасность данных и одновременно повышая точность и надежность диагностики опухоли яичников.

Условия исследования Данное исследование проводится в Пекине, Китай. Объекты исследования получены из Пекинской больницы Шицзитань, Пекинской больницы дружбы и Пекинской больницы акушерства и гинекологии, которые являются филиалами Столичного медицинского университета. Эти больницы обслуживают разнообразную популяцию пациентов, что подтверждает возможность обобщения результатов исследования.

Субъекты исследования. Субъектами исследования являются пациентки с диагнозом опухоли яичников, перенесшие хирургическое лечение. Случаи, использованные для разработки прогностической модели, получены от пациентов, последовательно включенных в исследование в период с января 2018 года по январь 2023 года. Случаи проверки клинического применения будут проспективно собираться у пациентов в период с июня 2023 года по июнь 2025 года. Критерии включения в обе части исследования следующие: (1) пациентки с диагнозом опухоли яичников, перенесшие хирургическое лечение; (2) пациенты с полными данными визуализации (УЗИ или МРТ) и результатами онкомаркеров, полученными в течение трех месяцев до операции. Кроме того, вторая часть требует информированного согласия участников. Критерии исключения: 1) пациентки с хирургической патологией, исходящей не из яичников; (2) дублирующиеся дела; (3) пациенты, получившие химиотерапию или лучевую терапию; (4) рецидивирующие случаи; (5) некачественная визуализация поражений яичников; и (6) неполная информация о деле.

Этика Протокол исследования был рассмотрен и одобрен Комитетом по этике Пекинской больницы Шицзитань, входящей в состав Столичного медицинского университета. Номер одобрения по этическим нормам: [укажите номер]. Исследование будет проводиться в соответствии с принципами Хельсинкской декларации. На этапе разработки модели в ретроспективных случаях был предоставлен отказ от информированного согласия. На этапе клинической валидации все участники прочтут форму информированного согласия до начала исследования, добровольно согласятся участвовать и подпишут форму информированного согласия.

Сбор данных Исследователи соберут данные визуализации (ультразвуковое исследование органов малого таза, МРТ органов малого таза) и клинические данные (общая информация, история болезни, семейный анамнез, физическое обследование, лабораторные анализы, отчеты о патологии, клинический диагноз и т. д.) от субъектов исследования. Это поможет создать набор данных мультимодальной опухоли яичника с аннотациями классификации и сегментации, обеспечивая поддержку набора данных AI для последующей разработки вспомогательных диагностических моделей мультимодальной опухоли яичника. По мере продвижения исследования исследователи стремятся добиться гибкого расширения и глубокого анализа набора данных, установить стандартизированные протоколы для мультимодальных наборов данных и обеспечить эффективный обмен данными.

Обработка данных изображения, сегментация и аннотация классификации. В этом проекте используется инструмент OpenSlide для обработки изображений, изменения их размера, чтобы гарантировать, что размеры в пикселях кратны 300. Изображения впоследствии разбиваются на секции размером 300×300 пикселей и конвертируются в формат PNG. Точная сегментация поражений имеет основополагающее значение для точного распознавания изображений. В проекте участвует команда гинекологов, а также эксперты из Школы электронной и информационной инженерии Бэйханского университета, которые используют профессиональное программное обеспечение для аннотаций LabelMe для сегментации изображений и классификационных аннотаций на основе результатов патологий, тем самым создавая сегментированную и классифицированную базу данных. Например, в случае 2D-ультразвуковых изображений очаги сегментируются вручную, при этом места расположения опухолей яичников отмечаются и преобразуются в соответствующие классификационные метки.

Для дальнейшего повышения точности и результатов сегментации в этом исследовании создается сетевая архитектура сегментации изображений опухоли яичника, включающая многомасштабный модуль объединения функций и многоуровневую оптимизацию функции потерь. Общая архитектура сети сочетает в себе суперпиксельную сегментацию с глубоким обучением, используя сильные возможности сверточных нейронных сетей (CNN) по извлечению признаков для улучшения краевой информации и повышения точности сегментации.

Создание вспомогательной системы диагностики опухоли яичника на основе искусственного интеллекта с использованием искусственного интеллекта для распознавания изображений. Для входных мультимодальных изображений (УЗИ и МРТ) выполняется извлечение визуальных признаков. Для решения визуальных задач классификации и сегментации повреждений построены две модели алгоритма: модель плотной остаточной структуры и модель многоуровневой структуры с учетом краев. Эти модели позволяют интеллектуально распознавать типы патологий на мультимодальных изображениях.

Прогнозирующая модель, интегрирующая многомерные структурированные данные. Во-первых, сверточные нейронные сети используются для генерации результатов прогнозирования на уровне пикселей (результаты сегментации), а алгоритмы ИИ предоставляют результаты прогнозирования ИИ (апостериорные вероятности). Впоследствии вектор апостериорной вероятности объединяется со структурированными данными (возраст, основная жалоба, продолжительность заболевания, результаты физикального обследования, лабораторные анализы и другие клинические показатели). Они объединяются в новый вектор признаков, который затем дополнительно анализируется с помощью модели принятия решений (например, XGBoost) для определения патологической категории опухоли яичника. Модель обучается и проверяется с использованием результатов патологических исследований в качестве золотого стандарта.

Система вспомогательной диагностики Система вспомогательной диагностики мультимодальной опухоли яичника структурирована на несколько иерархических уровней. Система состоит из четырех основных уровней, снизу вверх: 1) Базовый модуль: этот модуль в первую очередь отвечает за ускорение вывода при глубоком обучении, обеспечивая базовые возможности, необходимые для работы системы. 2) Базовая библиотека приложений (базовый уровень): этот уровень предлагает основные библиотеки для обработки медицинской информации и записи журналов платформы. 3) Платформа глубокого обучения (уровень вывода глубокого обучения): она служит интеллектуальным ядром системы и обеспечивает базовые структуры глубокого обучения, необходимые для вывода интеллектуальной системы. Сюда входят широко используемые библиотеки вывода нейронных сетей, которые поддерживают точный вывод моделей нейронных сетей на разных платформах. 4) Уровень приложений (подразделяется на уровень приложений и уровень компонентов): этот уровень предлагает необходимые услуги для системы платформы. Он спроектирован так, чтобы быть гибким и расширяемым, с независимо функциональными, слабосвязанными модулями. Уровни относительно разделены, каждый из которых обеспечивает независимую функциональность. Платформенная система спроектирована снизу вверх и имеет удобный внешний инкапсулированный операционный интерфейс, который обеспечивает прямое взаимодействие пользователя с платформой.

Вспомогательная система диагностики мультимодальной опухоли яичника выполняет несколько ключевых функций. Во-первых, он может считывать изображения УЗИ и МРТ, а также медицинские записи в соответствии с требованиями пользователя и преобразовывать формат по мере необходимости. Затем он предварительно обрабатывает изображения и медицинские записи, удаляя ненужную информацию, что облегчает последующий вывод модели. Модуль распознавания поражений выполняет как классификацию, так и сегментацию, оценивая вероятность поражения и определяя потенциальные области поражения. Наконец, модуль постобработки данных осуществляет объединение результатов классификации на уровне принятия решения, автоматически аннотирует области поражения и генерирует вспомогательные диагностические результаты, прогнозирующие типы патологий, путем объединения информации медицинской документации.

Многоцентровая оптимизация системы проспективной вспомогательной диагностики и проверка клинического применения. Благодаря сотрудничеству групп специалистов по гинекологической онкологии из трех исследовательских центров мультимодальная система вспомогательной диагностики опухолей яичников будет подвергнута многоцентровому проспективному клиническому применению, при этом результаты хирургических патологий будут использоваться в качестве золотого стандарта. Диагностическая эффективность системы вспомогательной диагностики мультимодальной опухоли яичника, как в целом, так и по различным патологическим категориям, будет оцениваться в главном и вспомогательных центрах путем сравнения таких показателей, как специфичность, чувствительность, положительная прогностическая ценность, отрицательная прогностическая ценность и площадь под контролем. Кривая ROC (AUC). Система будет постоянно проверяться и оптимизироваться для улучшения ее производительности. Согласованность между предоперационной диагностикой и послеоперационными патологоанатомическими результатами будет сравниваться до и после применения вспомогательной системы диагностики опухоли яичника в трех исследовательских центрах, чтобы оценить клиническую эффективность вспомогательной диагностической системы.

Парадигма оптимизации многоцентровой вспомогательной диагностической системы на основе горизонтального федеративного обучения Парадигма оптимизации многоцентровой вспомогательной диагностической системы на основе горизонтального федеративного обучения предполагает управление и распространение модели вспомогательной диагностики главным центром. Другие центры применяют механизмы поэтапного обучения, используя собственные данные для точной настройки вспомогательной системы диагностики и предоставления обновленных параметров основному центру. Этот процесс обеспечивает улучшенное интеллектуальное распознавание опухолей яичников, сохраняя при этом конфиденциальность данных между центрами. Первоначально главный центр создает мультимодальную модель прогнозирования опухоли яичников на основе искусственного интеллекта. Затем эта модель шифруется и распространяется по филиалам. Филиалы после достижения определенного размера пула данных и соответствия стандартам аннотаций инициируют оптимизацию модели. Наконец, после тонкой настройки моделей каждый центр загружает обновленные параметры в главный центр. Главный центр оценивает производительность модели, чтобы определить, необходима ли итерация версии модели. Если это так, обновленная модель перераспределяется, обеспечивая замкнутый цикл горизонтального федеративного обучения для оптимизации многоцентровой модели.

Статистический анализ Расчет размера выборки

1. Этап разработки модели вспомогательной диагностики мультимодальной опухоли яичника Требуемый размер выборки оценивается с использованием метода EPV (событий на переменную), который представляет собой основанный на опыте метод построения моделей. Для каждой переменной обычно требуется 10–20 положительных событий; в этом исследовании исследователи установили EPV на уровне 20. Исследователи предполагают включить в диагностическую модель 20 независимых переменных (и фиктивных переменных), таким образом, потребуется 20 * 20 = 400 случаев злокачественных новообразований. Предварительные данные показывают, что доля больных злокачественными (истинно положительными) опухолями яичников составляет примерно 30%. Следовательно, общий требуемый размер выборки составляет 400/0,30 = 1334 случая. Учитывая уровень потери данных 20%, окончательный размер выборки для обучающего набора составит 1667 случаев. Обучающий набор и набор проверки будут соответствовать соотношению 4:1, в результате чего размер выборки набора проверки составит 418 случаев. Таким образом, общий требуемый размер выборки составляет 2084 случая, причем каждый центр вносит равную долю.
2. Фаза проверки и оптимизации клинического применения многоцентровой перспективной системы. В этой части исследования в первую очередь оценивается эффект клинического применения вспомогательной диагностической системы путем измерения точности. Поэтому используется формула расчета размера выборки для диагностических тестов.

Se=90% (Чувствительность диагностической системы), Sp=90% (Специфичность диагностической системы). На основании статистических и клинических экспертных заключений errABS=5% относится к ожидаемой абсолютной ошибке, α=0,05. Согласно формуле расчета размера выборки, истинно положительная группа требует включения 140 случаев. Предварительные данные показывают, что доля больных злокачественными (истинно положительными) опухолями яичников составляет примерно 30%. Следовательно, общий требуемый размер выборки составляет 140/0,30 = 467 случаев. Учитывая 20%-ную потерю показателей последующего наблюдения, окончательный размер выборки составит 584 случая, причем каждый центр внес равную долю.

Управление данными Все данные будут зарегистрированы в электронной форме отчета о случае (eCRF), разработанной для исследования. Каждый субцентр создаст независимую базу данных, управляемую назначенным персоналом. Будет установлен стандартизированный процесс проверки ввода данных, обеспечивающий точную и своевременную регистрацию данных в строгом соответствии с протоколом исследования. Будут проводиться регулярные оценки для проверки точности и полноты загружаемых данных. Менеджеры данных в каждом центре будут сверять данные, собранные в электронных ИРК, с первичными документами, такими как медицинские записи, и проверять процесс сбора данных. Сотрудники главного центра будут проводить периодические проверки на местах во всех участвующих центрах для проверки подлинности данных. В исследовании будет использоваться технология конфиденциальных вычислений, чтобы обеспечить независимость и безопасность данных каждого центра, предоставляя услуги по оптимизации и проверке многоцентровой модели, обеспечивая при этом конфиденциальность данных.

Анализ данных Для нормально распределенных непрерывных данных межгрупповые сравнения будут проводиться с использованием t-критерия независимых выборок, а внутригрупповые сравнения будут проводиться с использованием парного t-критерия. Для непрерывных данных и порядковых данных с ненормальным распределением для межгрупповых сравнений будет использоваться U-критерий Манна-Уитни, а для внутригрупповых сравнений будет использоваться знаково-ранговый критерий Уилкоксона. Для неупорядоченных категориальных данных для межгрупповых сравнений будет использоваться критерий хи-квадрат (χ²) или точный критерий Фишера, а для внутригрупповых сравнений — критерий Макнемара. Площадь под кривой ROC (AUC) будет статистически проверена с использованием Тест ДеЛонга, а чувствительность и специфичность будут рассчитываться с использованием интервала Джеффриса. Учитывая корреляцию между одними и теми же субъектами, при межгрупповых сравнениях будет использоваться метод обобщенного уравнения оценки (GEE) с поправкой на центральные эффекты. Анализ других показателей будет проводиться по той же методологии, что и базовый анализ.