Ett datorstödt (CADx） System i realtidskarakterisering av kolorektala ulcerösa sjukdomar

Målet med denna observationsstudie är att konstruera och validera ett datorstödt (CADx） System i realtidskarakterisering av kolorektala ulkreativa sjukdomar. Endoskopiska bilder och filmer kommer att hämtas från befintlig databas i studiecentra. För varje kolorektalt sår kommer olika endoskopiska vyer att fångas in. Relevant baslinjedemografi, laboratorierapporter, avbildningsrapporter, endoskopirapporter och histopatologiska resultat kommer att samlas in för analys. Platsen, storleken och morfologin för varje kolonskada kommer att registreras. Diagnosen av all kolorektal ulcerös sjukdom utvärderades omfattande av oberoende patologer och gastroenterologer. I vår studie kommer vi att fokusera på följande undertyper av kolorektala ulcerösa lesioner:

1. kolorektal cancer (CA);
2. Crohns sjukdom (CD);
3. Ulcerös kolit (UC);
4. tarmtuberkulos (ITB);
5. ischemisk kolit (IC). All data kommer att avidentifieras innan central behandling för att säkerställa konfidentialitet. Ett projektspecifikt serienummer kommer att användas för att representera varje enskilt ämne. Alla kliniska data och avidentifierade endoskopiska bilder kommer att hållas konfidentiella och kommer inte att delas med någon tredje part.

En utbildningskohort kommer att utvecklas från majoriteten av de inkluderade fallen, följt av en valideringskohort med de återstående fallen. De endoskopiska bilderna och videorna kommer att förberedas för att träna det invecklade neurala nätverket och återkommande neurala nätverk genom att välja lämpliga regioner av intresse (ROI). Flera ROI inom samma kolorektal ulcerös sjukdom kommer att samlas in för att minska selektionsbias. Annotering och validering av endoskopiska bilder kommer att utföras av forskargruppen. Bilderna kommer att segmenteras ytterligare i brickor av samma storlek för vidare bearbetning. Algoritmer för djupinlärning kommer att tillämpas för att lära sig och extrahera funktioner på bild- och videodata. Vi kommer att utveckla det återkommande faltningsnätverket för att dra nytta av den kompletterande informationen om visuella och tidsmässiga funktioner som extraherats från videon. Valideringsdata skapas också enligt samma princip som möjliggör korsvalidering för modellnoggrannhet.