Исследование по интеллектуальной диагностике и лечению на основе глубокого обучения

Это исследование в области клинического искусственного интеллекта на основе изображений, направленное на разработку, обучение и валидацию моделей глубокого обучения для мультимодального анализа изображений черепно-челюстно-лицевой области и интеллектуальной поддержки клинических решений. Планируется включить около 2000 участников. У всех участников будут получены данные изображений черепно-челюстно-лицевой области и связанная с ними клиническая информация в ходе рутинного стоматологического, ортодонтического, челюстно-лицевого или связанного с ними клинического обслуживания.

Используемые в этом исследовании данные изображений могут включать двухмерные фотографии лица, изображения конусно-лучевой компьютерной томографии и трехмерные сканы поверхности лица. Связанные клинические данные могут включать демографическую информацию, клинический диагноз, скелетную или зубную классификацию, цефалометрические измерения, записи о лечении и доступные экспертные оценки. Это исследование будет сосредоточено на разработке моделей искусственного интеллекта для классификации изображений черепно-челюстно-лицевой области, обнаружения анатомических ориентиров, региональной сегментации, распознавания аномалий и поддержки принятия решений, связанных с лечением.

Перед разработкой моделей все данные изображений пройдут стандартизированную предварительную обработку. Процедуры предварительной обработки могут включать деидентификацию изображений, оценку качества, преобразование формата, коррекцию ориентации изображений, кадрирование, стандартизацию разрешения, нормализацию оттенков серого или интенсивности, пространственную регистрацию и выделение области интереса. Для двухмерных изображений будут определены стандартизированные области лица или рентгенограммы в соответствии с конкретной задачей визуализации. Для конусно-лучевой компьютерной томографии и трехмерных данных поверхности лица предварительная обработка может включать объемную реконструкцию, реконструкцию поверхности, обработку сетки, обработку облака точек или извлечение анатомических структур.

Эталонные метки будут получены из клинических медицинских записей, диагнозов врачей и ручной разметки экспертов. Для задач сегментации анатомические области или структуры будут вручную размечены обученными клиницистами или калиброванными исследователями. Для задач обнаружения ориентиров предопределенные анатомические ориентиры будут размечены в соответствии со стандартизированными протоколами измерений черепно-челюстно-лицевой области. Для задач классификации скелетный паттерн, зубные соотношения, категория морфологии черепно-челюстно-лицевой области или другие клинически значимые метки классификации будут определены на основе экспертной оценки. Также будет оцениваться согласованность между наблюдателями и внутри наблюдателя для обеспечения надежности ручных разметок и клинических меток.

Набор данных из примерно 2000 участников будет разделен на обучающий, валидационный и тестовый наборы. Семьдесят процентов данных будет использовано для обучения модели, 15% для валидации модели и 15% для независимого тестирования.

Модели глубокого обучения будут включать сверточные нейронные сети, модели на основе внимания и модели мультизадачного обучения. Разработка модели будет включать оптимизацию гиперпараметров, регуляризацию, аугментацию данных и мониторинг производительности на основе валидационного набора данных.

Для задач сегментации изображений производительность модели будет оцениваться с использованием метрик точности сегментации, включая коэффициент сходства Dice, пересечение над объединением (IoU), попиксельную точность, чувствительность, специфичность и, где применимо, метрики граничного расстояния, такие как расстояние Хаусдорфа или среднее расстояние до поверхности. Для задач классификации изображений и диагностического распознавания производительность модели будет оцениваться с использованием точности, прецизионности, полноты, F1-меры, чувствительности, специфичности, положительной прогностической ценности, отрицательной прогностической ценности, анализа ROC-кривой и площади под ROC-кривой (AUC). Матрицы ошибок будут использоваться для описания распределения правильных и неправильных классификаций по диагностическим категориям. Для задач мультиклассовой классификации могут сообщаться усредненные (макро) и взвешенные усредненные метрики производительности. Для задач обнаружения анатомических ориентиров производительность модели будет оцениваться с использованием средней радиальной ошибки, средней абсолютной ошибки, частоты успешного обнаружения в пределах клинически значимых порогов расстояния и согласованности с экспертными разметками.

Для задач поддержки принятия решений, связанных с лечением, выходы модели будут сравниваться с экспертным клиническим суждением. Метрики оценки будут включать точность, прецизионность, полноту, F1-меру, AUC и анализ кривых решений (decision curve analysis).

Персонал, участвующий в разметке изображений и обработке данных, пройдет соответствующее обучение до начала исследования. Доступ к идентифицируемой личной информации будет ограничен авторизованным исследовательским персоналом. Анализируемые наборы данных, используемые для разработки модели, будут по возможности деидентифицированы или псевдонимизированы.

Планируемое включение около 2000 участников должно обеспечить поддержку анализа подгрупп и проверки устойчивости при адекватном распределении методов визуализации и клинических категорий. Пропущенные, недоступные, неинтерпретируемые или противоречивые данные будут регистрироваться.

Модели искусственного интеллекта, разработанные в этом исследовании, предназначены для помощи медицинским работникам в анализе изображений черепно-челюстно-лицевой области и поддержке клинических решений. Модели не заменят профессиональной клинической диагностики или индивидуального планирования лечения квалифицированными клиницистами. Любое будущее клиническое применение этих моделей потребует дополнительной валидации, клинического обзора и соответствующего институционального или регуляторного одобрения.