小肠深度学习算法项目

介绍。

该研究的主要目的是评估深度学习算法在区分正常和异常末端回肠方面与经验丰富的放射科医生在 MR 小肠造影图像上的准确性。

该研究建立在现有研究的基础上，现有研究表明统计方法可以识别小肠克罗恩病的部位。 然而，该过程耗时 >1 小时并且不是全自动的。 我们的项目研究尖端的“深度学习”算法（基于神经网络）与增强的计算能力相结合是否可以提供准确及时的信息。

该项目由胃肠成像专业放射科医生（他们了解准确成像克罗恩病的挑战）和帝国理工学院计算机科学系（他们在开发用于医学成像的神经网络方面经验丰富）共同设计。 伦敦西北研发部门的意见和审查也得到承认。

学习规划。

回顾性设计与招聘。

该研究将回顾性地确定符合条件的患者，并使用连续的病例抽样技术（所有符合条件的图像都将包括在内，从最近的图像开始倒推）。

这种回顾性方法在研究结果的普遍性降低与研究相对快速且成本低（研究没有资助）之间进行了折衷。

研究人员对结果的普遍性充满信心，作为 113 例正常病例和 113 例回肠末端疾病病例的招募目标，应该涵盖正常和异常外观的范围（以前的研究使用了 <50 个图像集）。

MRI 末端回肠正常的病例被包括在内，因为算法开发的方法涉及 MRI 研究中正常和异常末端回肠的成像特征的比较。

非实验方法。

该方法使用 MRI 扫描作为标准临床护理的一部分。 这项研究没有进行额外的成像。 研究结果不会改变符合条件的患者目前正在接受的治疗。

同意和保密。

由于用于算法开发的图像是完全匿名的，因此不会获得明确同意。 这是遵循 2011 年通用医学委员会指南和 2017 年皇家放射科学院（英国）的指南，其中声明匿名录音可以在未经同意的情况下共享用于研究。

用于这项研究的 MRI 图像是作为常规标准临床护理的一部分获得的，并且作为他们正常工作实践的一部分，参与这项研究的放射科医生会定期查看。

一旦确定了合适的患者，患者的图像将以完全匿名的形式复制，没有直接或间接的标识符。 放射学图像查看程序中包含强大的匿名功能。 如果包括来自同一患者在不同时间点的扫描，研究对象标识符将被随机分配以防止伪匿名化。

在研究期间，不会为算法开发传输任何敏感/患者可识别数据。 算法开发基于将 MRI 像素强度与多次扫描中的疾病评分/注释相匹配。 匿名化不会影响图像中的像素。 只有汇总数据才会出现在出版物中——即不会发表单个案例。

利益冲突。 本研究的研究人员声明不存在利益冲突。