CT 中急性阑尾炎 IA 模型

附录模型信息开发

- 本研究使用基于全自动诊断框架的预训练阑尾 (IA) 模型信息，通过概率和特征映射来预测三类：非阑尾炎、简单阑尾炎和复杂阑尾炎。

从 7,147 名患者的 3D CT 图像中学习的 IA 模型嵌入参数的流程由与三个 3D CNN 模型（DenseNet、EfficientNet 和 ResNet）的迁移学习相连接的两阶段二进制算法组成。

- 应用用于迁移学习的两阶段二元算法从三个真实类别的 3D 图像中学习固有模式，就像临床医生在决定阑尾炎治疗时所做的那样。 在该流程的第一步中，开发了第一阶段分类模型来识别非阑尾炎与阑尾炎。 在流程的第二步中，第二阶段分类模型从使用第一阶段学习的可训练参数传输的数据中识别出简单阑尾炎与复杂阑尾炎。

目前，最终的 IA 模型已使用来自外部机构的前所未见的数据集进行了外部验证，该数据集对因腹痛前往急诊室并因临床怀疑急性阑尾炎而接受腹盆腔 CT 的患者具有广泛的资格标准。

干预 这是一项人类模型和 IA 模型之间的比较研究，研究前瞻性随机数据集的非阑尾炎、简单阑尾炎和复杂阑尾炎的阴性阑尾切除率 (NAR)，该数据集收集自因急腹症急诊室就诊的患者的 CT 扫描疼痛。 对照组的参与者是十名非放射科医生。

IA 模型不允许妨碍临床医生在正在进行的临床实践中就询问 IA 模型的诊断框架关于保护人类受试者结果的数学推理的法律和伦理方面的术前决策过程。

考虑到对人类受试者的最小风险以及人工智能的伦理和法律方面，研究设计在阑尾炎治疗完成后（有或没有病理证实）严格将CT图像分配给非放射科医生和IA模型。

数据分配和性能评估

- 为了将 IA 模型与人类和非放射科医生平等比较，非放射科医生的解释条件应满足以下所有标准： 仅应随机分配不包含年龄、性别和实验室值等变量的 CT 图像； CT 图像的非放射科医生和患者的隶属关系不应相同；分配给非放射科医生的非阑尾炎、简单和复杂阑尾炎的分配比例应采用盲法；用于判读的 CT 图像范围应与 IA 模型自动定位生成的阑尾 ROI 范围相同。 为了评估人类的诊断性能，由非放射科医生设置了四个测试项目，如下：（1）阑尾可视化； (2)排除阑尾炎； (3)并发症； (4)CT图像诊断。

使用参与者的四个问题的结果以及同一数据集中 IA 模型的诊断性能来评估主要和次要结果。

道德声明 根据卫生福利部个人信息保护委员会《医疗保健数据利用指南》和《化名信息处理指南》，在保证数据存档安全的情况下进行数据泄露，并经卫生福利部批准进行。参与机构的数据审查委员会。 中央机构审查委员会 (IRB) 和所有参与机构的 IRB 批准了这项研究。

样本量和统计方法研究者之前的研究通过外部机构的数据渗漏完成了IA模型的外部验证，外部数据集中的NAR为12.4%。 据报道，非放射科医生的 NAR 标准参考值为 10.5% ± 5%。 因此，临床应用中IA模型与非放射科医生之间可接受的NAR差异应小于非劣效界的10.0%。

单个机构的随机对照数据集的样本量为 263，假设置信区间为 95%，统计功效为 90%，双尾 α = 0.05，显着性水平 = 0.05，Z 检验的效应大小 = 0.2 。 两个外部机构参与了这项研究。 由于两个外部机构之间的数据异质性、标准化和跨地区患病率差异，我们计算了每个机构的样本量。 因此，假设每个机构有 263 名患者，随访损失率为 10%，则总样本量为 568。