使用神经网络早期辨别假体周围感染 (SEPTIC-ANNR) (SEPTIC-ANNR)

髋关节假体周围感染是骨科手术中的热点话题，其发生率约为1%。 与长期住院和进一步治疗相关的发病率、死亡率和额外费用是主要问题。 假体周围感染通常使用 CDC（疾病控制和预防中心）标准 (2014) 进行诊断。 诊断基于主要和次要标准，包括术前和术中参数。 为了获得可靠的感染诊断，当不存在瘘管时，需要滑液抽吸或组织样本。 然而，这些技术昂贵且具有侵入性。 此外，灵敏度并不总是那么准确，正如为假定的无菌性松动而进行的一系列修复手术所表明的那样，这些松动在培养后证明是败血症。 因此，感染的诊断通常发生较晚，并且需要经过长时间、复杂、昂贵且并不总是决定性的诊断检查，从而影响治疗的时机和成功率。

一种实用、快速、可靠和非侵入性（可能是门诊）的假体周围感染诊断程序将是可取的。 它可能依赖于诊断成像，将液体或组织的收集限制在疑似病例中。 目前，CT 和核医学成像技术由于其可靠性、成本和对辐射剂的暴露等原因，并未常规用于感染的诊断。

最近，引入了神经网络：它们由许多简单的并行处理器组成，深度连接，实现一个计算模型。 神经网络模仿大脑及其学习能力。 计算模型识别视觉信号、实时管理复杂情况、分类和管理噪声、使用关联内存实时访问大量数据并重建部分或损坏的信息。 神经网络已经被用于预测感染、转移和治疗失败的发生，整合临床和诊断成像数据。 迄今为止，尚未对假体周围感染中的神经网络进行研究。 本研究的目的是评估神经网络（细胞神经网络-遗传算法）是否适用于传统放射线照相术，是否准确、灵敏和特异地用于髋关节假体周围感染的早期鉴别，这种感染已经通过公认的方法进行诊断（疾控中心 2014 年）。

具体而言，选择具有完整放射学史（术前 X 光和一系列其他术后 X 光）、接受过化脓性或无菌性松动治疗的患者群体。

这两种情况都是“指导”神经网络所必需的。 第一步包括确定一系列连续的感染性或无菌性松动诊断患者，并查阅医院数据库。 因此，患者被明确分为感染性或无菌性松动。 使用 2014 年 CDC 标准（在临床环境中常规执行），添加另一个主要和必要的标准：至少 3 个阳性术中组织样本（相同的微生物）。 在无菌松动的情况下，外壳不得符合 CDC 2014 标准。 因此，收集患者的成像和临床数据。 确定诊断后，对射线照相材料进行处理（细胞神经网络-遗传算法）。 拟议的程序使用以下管道和 MatLab 软件（Mathworks，Natick，美国）处理射线照相图像：

• 基线：将第一张植入后图像与植入前射线照相图像进行比较；
• 使用标准和可重复投影（骨盆 X 光）通过定期 X 光片记录进展；
• 在手动分割的区域（感兴趣区域 - ROI）中，从每个图像中提取特征。 发生三个步骤：1）图像预处理，以创建输入数据（灰度图像）的统一框架。 颜色直方图均衡化； 2) 从神经网络中提取的特征应用于 ROI。使用遗传算法克隆模板。 特征将由一个全连接层+SoftMax处理； 3) AutoEconder提取的全连接层+SoftMax特征；
• 差异射线照相特征的分析（细胞和卷积侧的分析）和与基线的比较。 通过以下方式进行后处理：1）全连接回归层和多类分类器：将产生败血症进展风险的百分比； 2）全连接回归层和二元分类器：化粪池/无菌集群中的特征；
• 最终决策树：融合上述数据，在索引成像中提供一定比例的败血症进展风险。 目的是验证应用于放射成像的神经网络是否能够准确、灵敏和特异地识别根据经过验证的特定标准诊断出的晚期慢性髋关节假体周围感染。