Konvertering av ultraljudsbilder till CT-format med hjälp av artificiell intelligens-baserad inlärning

Bakgrund och motiv för det medicinska experimentet:

Ultraljudsundersökning är en avbildningsmetod som använder ljudvågor för att karakterisera olika organs struktur och funktion vid hälso- och sjukdomstillstånd. Denna teknik används flitigt i det kliniska dagliga livet och har många fördelar. Undersökningen involverar inte användning av joniserande strålning, så användningen är säkrare än andra tekniker som röntgen eller datortomografi (datortomografi). Bilderna som tas och visas på ultraljudsapparaten är i realtid, så förändringar kan identifieras, vilket i många fall påverkar den slutliga diagnosen. Testet är icke-invasivt och testet kräver inte heller användning av ett kontrastmedel som innehåller ämnen som kan orsaka en allergisk reaktion eller försämra njurfunktionen. Dessutom är utrustningen allmänt tillgänglig och kan även användas vid sängen. Bortsett från de nämnda fördelarna har ultraljudstestet också anmärkningsvärda nackdelar. Ultraljudsvågorna penetrerar inte bra genom ben eller luft, vilket försämrar testkvaliteten. Dessutom är metoden starkt beroende av operatörens skicklighet, så det krävs stor erfarenhet för att producera tillräcklig kvalitetsinformation och göra en korrekt diagnos. Kvaliteten på testet beror också på försökspersonens samarbete under testet, såsom förändringar i hållning och djupandning.

Jämfört med ultraljudsundersökningen möjliggör CT-skanningen en bredare anatomisk syn, och begränsas inte av fysiologiska faktorer som ben och luft. De mest anmärkningsvärda bristerna med CT-skanningen inkluderar det faktum att testet kräver joniserande strålning som oundvikligen medför en direkt och indirekt fara för patientens hälsa. Dessutom kräver testet mer resurser ekonomiskt och arbetskraftsmässigt, vilket är en begränsning i användningen utanför sjukhuset eller i länder med dålig socioekonomisk status.

I denna studie syftar utredarna till att överbrygga gapet mellan dessa två typer av tekniker och skapa ett enhetligt system som drar fördel av båda. Detta görs genom att skapa CT-bilder från ultraljudsbilder. Denna process kommer att involvera användningen av artificiell intelligensmetoder, nämligen maskininlärningsalgoritmer.

Maskininlärning i allmänhet, och djupinlärning i synnerhet, har tagit fart de senaste åren inom området datorseende och på senare tid även inom området medicinsk bildbehandling. Dessutom kan man redan se betydande framgångar i klassificeringen av näthinnesjukdomar, där sensorn är en ögonbottenkamera eller Optical Coherence Tomography (OCT), i klassificeringen av klassificeringar vid MRI-avbildning av bröstet 3, och på senare tid, i klassificering av svårighetsgraden av sjukdomen orsakad av Corona-viruset, med hjälp av lungröntgen och ultraljudsundersökningar.

Maskininlärning omfattar två faser. I den första fasen tränar algoritmen på taggade data, med hjälp av arkitekturer och målfunktioner, som gör att hög noggrannhet kan uppnås. I det andra steget kommer utredarna att testa algoritmen för data som ännu inte har observerats. Det bör noteras att en stor mängd taggad data kan vara till stor hjälp för att utveckla algoritmen, men samtidigt kan det vara svårt att ta fram taggad data och det kan vara en lång och dyr process. Därför kommer utredarna att använda oövervakade eller semi-övervakade tillvägagångssätt.

Mål för medicinsk forskning: Tillhandahålla sonografisk och radiografisk information till ett artificiellt intelligenssystem i syfte att skapa CT-bilder från ultraljudsbilder, för att möjliggöra bättre rumslig orientering samt bättre karakterisering av de skannade anatomiska strukturerna.

Typ av studie: En prospektiv, öppen studie där både läkaren och patienten är medvetna om sättet och syftet med skanningen.

Experimentell procedur: Deltagare som uppfyller studiekriterierna kommer att genomgå en fullständig ultraljudsundersökning av bukorganen med hjälp av en klinisk ultraljudsapparat i Imaging Institute vid Haemek Medical Center. Den beräknade längden på tentamen är 20 minuter. Ultraljudsbilderna kopplas visuellt till tidigare CT-bilder av samma patient vid tidpunkten för undersökningen, med hjälp av ett Fusion-system placerat i ultraljudsapparaten som nämns ovan.

Observera att om deltagaren kom för en klinisk ultraljudsundersökning som var tänkt att ske i vilket fall som helst så kommer denne att klara den kliniska undersökningen som vanligt och sedan separat gå igenom ovan beskrivna undersökning som en del av studien.

De kopplade CT- och ultraljudsbilderna kommer att kodas och skickas till SAMPL-laboratoriet vid Weizmann-institutet, där bilderna kommer att fungera som en inlärningsplattform för det artificiella intelligenssystemet. Bilderna kommer att överföras först efter att ämnets personuppgifter har kodats i en EXCEL-fil och sparats av huvudutredaren. Endast den ledande forskaren och sekundära forskare kommer att exponeras för förkodningsinformation, som kommer att lagras på en dedikerad dator hos den ledande forskaren, lösenordsskyddad.

Den insamlade kodade informationen kommer att vidarebefordras kontinuerligt under forskningen till Weizmann-institutet, för att säkerställa ett bra inhämtning av information och möjlighet till realtidsåterkoppling till den ledande forskaren till förmån för att inhämta information av bättre kvalitet som möjliggör dataanalys.

I alla framtida tillämpningar av SAMPL-laboratoriet för detaljer om deltagarna, måste det kontakta serienumret när kodningsnyckeln kommer att finnas uteslutande på den kliniska platsen (Haemek Hospital). SAMPL-laboratoriet vid Weizmann-institutet kommer inte på något sätt och i något skede av experimentet att utsättas för identifierande information om deltagarna.

Uppföljning av deltagare och rapportering av medicinska fynd

Om oväntade medicinska fynd som är viktiga för patientens hälsa upptäcks under studien, är det huvudprövares ansvar att utan dröjsmål överföra dem till behandlande läkare för vidare uppföljning och behandling vid behov av vanlig medicinsk vård. Deltagarna kommer inte att följas upp efter den experimentella skanningen som en del av den kliniska prövningen.