Tunntarmens djupinlärningsalgoritmprojekt

Introduktion.

Huvudsyftet med studien är att utvärdera noggrannheten hos algoritm för djupinlärning när det gäller att skilja mellan normal och onormal terminal ileum mot erfarna radiologer på MR-enterografibilder.

Studien bygger på befintlig forskning, som har visat att statistiska metoder kan identifiera platser för Crohns tunntarmssjukdom. Processen var dock tidskrävande >1 timme och inte helt automatisk. Vårt projekt undersöker om banbrytande "deep learning"-algoritm (baserad på neurala nätverk) i kombination med ökad datorkraft kan ge korrekt och aktuell information.

Projektet har utformats gemensamt av Specialist Radiologists in Gastrointestinal Imaging (som är medvetna om utmaningarna med att avbilda Crohns sjukdom korrekt) och Imperial College Computer Science Department (som har erfarenhet av att utveckla neurala nätverk för medicinsk avbildning). Input och granskning från London North-West Research and Development-avdelningen är också tacksamma.

Studera design.

Retrospektiv design & Rekrytering.

Studien kommer retrospektivt att identifiera berättigade patienter och använda en konsekutiv fallprovtagningsteknik (alla kvalificerade bilder kommer att inkluderas arbetar baklänges från den senaste).

Detta retrospektiva tillvägagångssätt kompromissar mellan att generaliserbarheten av resultat minskar kontra att studien utförs relativt snabbt och till låg kostnad (studien har ingen anslagsfinansiering).

Utredarna är övertygade om att resultaten kan generaliseras eftersom ett rekryteringsmål för 113 normala fall och 113 fall med terminal ilealsjukdom bör täcka spektrumet av normala och onormala utseenden (tidigare studier har använt <50 bilduppsättningar).

Fall med normal terminal ileum på MRT ingår eftersom ett tillvägagångssätt för algoritmutveckling innebär jämförelse av avbildningsegenskaper hos normal och onormal terminal ileum i MRT-studier.

Icke-experimentellt tillvägagångssätt.

Metoden använder MR-undersökningar som utförs som en del av standard klinisk vård. Ingen ytterligare avbildning görs för denna studie. Studieresultaten kommer inte att ändra den aktuella behandlingen/de kvalificerade patienter som tar.

Samtycke & sekretess.

Eftersom bilderna som används för algoritmutveckling är helt anonymiserade så kommer uttryckligt medgivande inte att erhållas. Detta följer vägledning från General Medical Council Guidelines 2011 och The Royal College of Radiologists (UK) 2017 där anonymiserade inspelningar kan delas för användning i forskning utan samtycke.

MRT-bilder som användes för denna studie förvärvades som en del av rutinmässig standard klinisk vård och skulle rutinmässigt ses av de radiologer som deltar i denna studie som en del av deras normala arbetspraxis.

Så snart en lämplig patient har identifierats kommer patientens bilder att kopieras i en helt anonymiserad form utan direkta eller indirekta identifierare. En robust anonymiseringsfunktion ingår i bildvisningsprogrammet Radiologi. Studieämnesidentifierare kommer att tilldelas slumpmässigt för att förhindra pseudo-anonymisering om skanningar från samma patient vid olika tidpunkter ingår.

Inga känsliga/patientidentifierbara data kommer att överföras för algoritmutveckling under studien. Algoritmutvecklingen är baserad på att matcha MRI-pixelintensiteter med sjukdomspoäng/anteckningar över flera skanningar. Anonymisering påverkar inte pixlarna i bilden. Endast aggregerade data kommer att presenteras i publikationer – det vill säga exempel på enstaka fall kommer inte att publiceras.

Intressekonflikt. Forskarna i denna studie förklarar ingen intressekonflikt.