IA-modell för akut blindtarmsinflammation vid CT

Utveckling av information av bilagamodell

- Den här studien använde en förtränad modell av appendix (IA) baserad på ett helt automatiserat diagnostiskt ramverk för att förutsäga tre klasser med sannolikhet och funktionskartläggning: icke-appendicit, enkel blindtarmsinflammation och komplicerad blindtarmsinflammation.

Pipelinen av IA-modellinbäddningsparametrar som lärts från 3D CT-bilden av 7 147 patienter bestod av en tvåstegs binär algoritm kopplad till överföringsinlärning med tre 3D CNN-modeller: DenseNet, EfficientNet och ResNet.

- En tvåstegs binär algoritm för överföringsinlärning användes för att lära sig inneboende mönster från 3D-bilder av tre verkliga klasser, på samma sätt som en läkare gör när de bestämmer sig för behandling av blindtarmsinflammation. I det första steget av pipelinen utvecklades en klassificeringsmodell för steg 1 för att identifiera icke-appendicit kontra blindtarmsinflammation. I det andra steget av pipelinen identifierade klassificeringsmodellen för steg 2 enkel kontra komplicerad blindtarmsinflammation från de data som överfördes med de träningsbara parametrarna som lärts in i steg 1.

För närvarande har den slutliga IA-modellen validerats externt med hjälp av ett aldrig tidigare sett dataset från en extern institution med breda behörighetskriterier för patienter som besökt akuten med buksmärtor och genomgått buk-CT på grund av klinisk misstanke om akut blindtarmsinflammation.

Intervention Detta är en jämförande studie mellan mänskliga och IA-modeller för negativ blindtarmsoperation (NAR) i icke-, enkel och komplicerad blindtarmsinflammation i en prospektiv randomiserad datauppsättning, som samlades in från CT-skanningar av patienter som besökte akuten med akut buk. smärta. Deltagarna i kontrollarmen var tio icke-radiologer.

IA-modellen får inte hindra klinikers preoperativa beslutsprocess i pågående klinisk praxis när det gäller de juridiska och etiska aspekterna av att förhöra IA-modellens diagnostiska ramar om det matematiska resonemanget för ett resultat i termer av att skydda mänskliga försökspersoner.

Med tanke på den minimala risken för mänskliga försökspersoner och de etiska och juridiska aspekterna av artificiell intelligens, allokerar studiedesignen strikt CT-bilder till icke-radiologer och IA-modeller efter avslutad behandling för blindtarmsinflammation med eller utan patologisk bekräftelse.

Dataallokering och prestationsutvärdering

- För att jämföra IA-modellen med människor och icke-radiologer lika, bör tolkningsvillkoret för en icke-radiolog uppfylla alla kriterier enligt följande: Endast CT-bilder utan sådana variabler som ålder, kön och laboratorievärden bör slumpmässigt tilldelas; anknytningen för både icke-radiologen och patienten på CT-bilden bör inte vara densamma; allokeringskvoten för icke-appendicit, enkel och komplicerad blindtarmsinflammation som tilldelats icke-radiologen bör förblindas; och intervallet för CT-bilden för tolkning bör vara identiskt med intervallet för ROI för bilagan, som genereras av automatisk lokalisering av IA-modellen. För att utvärdera den diagnostiska prestandan hos människor sattes fyra testobjekt upp av en icke-radiolog enligt följande: (1) visualisering av appendix; (2) uteslutning av blindtarmsinflammation; (3) komplikationer; och (4) diagnos av CT-bilder.

De primära och sekundära resultaten utvärderades med hjälp av resultaten från de fyra frågorna för deltagarna och den diagnostiska prestandan för IA-modellen i samma datauppsättning.

Etiskt uttalande Enligt "Guide to Utilizing Healthcare Data" och "Guide to Handling Pseudonym Information" från Personal Information Protection Commission vid ministeriet för hälsa och välfärd utfördes dataexfiltrering med säkerhetsförsäkran om dataarkivet med godkännande av Datagranskningsnämnd vid deltagande institutioner. Den centrala institutionella granskningsnämnden (IRB) och IRB:er för alla deltagande institutioner godkände denna studie.

Urvalsstorlek och statistiska metoder Utredarnas tidigare studie, som avslutade extern validering av IA-modellen genom dataexfiltrering av externa institutioner, visade en NAR på 12,4 % i den externa datamängden. Standardreferensvärdet för icke-radiologer för NAR har rapporterats till 10,5 % ± 5 %. Därför bör den acceptabla skillnaden i NAR mellan IA-modellen och icke-radiologer för klinisk tillämpning vara mindre än 10,0 % av non-inferiority-marginalen.

Urvalsstorleken för den randomiserade kontrollerade datamängden för en enskild institution var 263 under antagande av ett 95 % konfidensintervall, statistisk styrka på 90 %, tvåsidigt α = 0,05, signifikansnivå = 0,05 och effektstorlek = 0,2 vid Z-testet . Två externa institutioner deltog i denna studie. På grund av dataheterogenitet, normalisering och prevalensskillnader mellan regioner mellan de två externa institutionerna, beräknades urvalsstorleken för varje institution. Därför, om man antar 263 patienter per institution med en uppföljningsförlust på 10 %, var den totala urvalsstorleken 568.