Tidig diskriminering av periprostetiska höftinfektioner med hjälp av neurala nätverk (SEPTIC-ANNR) (SEPTIC-ANNR)

Periprostetiska höftinfektioner är ett hett ämne inom ortopedisk kirurgi, vars incidens är cirka 1 %. Sjukligheten, dödligheten och merkostnaderna i samband med långvarig sjukhusvistelse och ytterligare behandlingar är de största problemen. Periprostetiska infektioner diagnostiseras i allmänhet med hjälp av CDC (Center for Disease Control and Prevention) kriterier (2014). Diagnosen baseras på större och mindre kriterier, inklusive preoperativa och intraoperativa parametrar. För att uppnå en tillförlitlig diagnos av infektion, när fistel inte finns, krävs synovialvätskeaspiration eller vävnadsprover. Dessa tekniker är dock dyra och invasiva. Dessutom är känsligheten inte alltid så exakt, vilket framgår av vissa serier av revisionsoperationer utförda för förmodad aseptisk lossning, som visade sig vara septisk efter odlingar. Därför uppstår diagnos av infektion ofta sent och efter en lång, komplex, dyr och inte alltid avgörande diagnostisk upparbetning, vilket påverkar tidpunkten och framgången för behandlingen.

Ett praktiskt, snabbt, pålitligt och icke-invasivt (eventuellt polikliniskt) diagnostiskt förfarande för periprostetiska infektioner skulle vara önskvärt. Det kan förlita sig på diagnostisk bildbehandling, vilket begränsar uppsamlingen av vätska eller vävnader till tveksamma fall. För närvarande används CT och nukleärmedicinska avbildningstekniker inte rutinmässigt vid diagnos av infektion, på grund av den blygsamma tillförlitligheten, kostnaderna och exponeringen för strålningsmedel.

Nyligen har neurala nätverk introducerats: de består av många enkla parallella processorer, djupt sammankopplade och realiserar en beräkningsmodell. Neurala nätverk efterliknar hjärnan och dess förmåga att lära. Beräkningsmodeller känner igen visuella signaler, hanterar komplexa situationer i realtid, klassificerar och hanterar brus, använder associativt minne med realtidsåtkomst till stora mängder data och rekonstruerar partiell eller korrupt information. Neurala nätverk har redan använts för att förutsäga uppkomsten av infektioner, metastaser och behandlingsmisslyckanden, genom att integrera kliniska och diagnostiska bilddata. Hittills har inga studier om neurala nätverk vid periprotesinfektion utförts. Syftet med denna studie är att utvärdera om neurala nätverk (cellulära neurala nätverk-genetisk algoritm), tillämpade på konventionella röntgenbilder, är korrekta, känsliga och specifika för tidig diskriminering av en periprostetisk höftinfektion, som redan diagnostiserats med välkända metoder ( CDC 2014).

Specifikt väljs en population av patienter, med en fullständig röntgenhistoria (preoperativa röntgenstrålar och en serie andra postoperativa röntgenbilder), som behandlats för septisk eller aseptisk lossning.

Båda fallen är nödvändiga för att "instruera" ett neuralt nätverk. Det första steget består i att identifiera en följd av patienter med septisk eller aseptisk lossningsdiagnos, konsultera sjukhusets databas. Således delas patienter kategoriskt in i septisk, eller aseptisk, lossning. 2014 CDC-kriterierna används (som rutinmässigt utförs i den kliniska miljön), och lägger till ytterligare ett viktigt och nödvändigt kriterium: minst 3 positiva intraoperativa vävnadsprover (samma mikroorganism). Vid aseptisk lossning får fodralet inte uppfylla CDC 2014-kriterierna. På så sätt samlas patienternas avbildning och kliniska data in. Efter att ha fastställt diagnosen bearbetas det radiografiska materialet (cellulära neurala nätverk-genetisk algoritm). Den föreslagna proceduren behandlar de röntgenbilder med hjälp av följande pipeline och MatLab-mjukvaran (Mathworks, Natick, USA):

• baslinje: den första postimplantatbilden jämförs med preimplantatröntgenbilden;
• förlopp registreras av periodiska röntgenbilder med standard- och repeterbara projektioner (bäckenröntgen);
• funktionerna extraheras från varje bild, i det manuellt segmenterade området (intresseområde - ROI). Tre steg äger rum: 1) bildförbehandling, för att skapa enhetliga ramar av indata (bilder på grånivå). Färghistogramutjämning; 2) funktioner som extraherats från neurala nätverk tillämpas på ROI. Kloning av mallar med hjälp av genetiska algoritmer. Funktionerna kommer att bearbetas av ett helt anslutet lager + SoftMax; 3) funktioner extraherade från AutoEconder med fullt anslutet lager + SoftMax;
• analys av differentiella radiografiska egenskaper (analys av cellulära och konvolutiva sidor) och jämförelse med baslinjen. Efterbearbetning på följande sätt: 1) helt anslutet regressionslager och multiklassklassificerare: kommer att producera procentandelen av septisk progressionsrisk; 2) helt anslutet regressionslager och binär klassificerare: egenskaper i de septiska/aseptiska klustren;
• ett slutgiltigt beslutsträd: sammanslagning av ovan nämnda data, vilket ger en procentandel av risken för septisk progression vid den indexerade avbildningen. Syftet är att verifiera om de neurala nätverk som tillämpas på röntgenbild kan exakt, känsligt och specifikt känna igen en sen, kronisk periprostetisk höftinfektion diagnostiserad enligt validerade och vissa kriterier.