基于AI的卵巢肿瘤多模态诊断系统的建立及临床应用
卵巢肿瘤是威胁女性健康的常见疾病。 它们起病隐匿,有十多种病理类型,表现出多样化的生物学行为,准确诊断成为临床决策和改善预后的关键因素。 引入人工智能技术建立由医学影像、肿瘤标志物等多维临床数据组成的辅助诊断系统,通过预测常见卵巢肿瘤的病理类型,将大大提高诊断效率。
我们课题组创新开发了基于AI的卵巢肿瘤超声智能辅助诊断软件,并经临床验证有效。 该项目将在此基础上:(1)利用丰富的多中心回顾性临床数据,结合超声、MRI图像、生理、病理和实验室数据,形成第一个支持AI任务的多模态卵巢肿瘤公共数据集; (2)利用卷积神经网络技术,在此以手术病理为标准的数据集上实现多模态图像多分类智能识别,然后将临床数据层面的特征与智能识别模型融合,训练和验证预测卵巢肿瘤十大病理类型的辅助诊断模型; (3)应用隐私计算和联邦学习方法对上述模型进行多中心、前瞻性验证和优化,最终形成能够预测大多数卵巢肿瘤病理类型的临床辅助诊断系统并应用于临床。
研究概览
详细说明
方法/设计研究目的本研究的第一个目标是构建一个多模式卵巢肿瘤公共数据集,其中包括超声、MRI 图像和临床指标数据,以支持人工智能驱动的任务。 该数据集将整合多种类型的医疗数据,以促进全面的人工智能分析和模型训练。 该研究利用卷积神经网络(CNN)技术,实现多模态图像的智能多类识别。 这涉及从影像数据中提取和分析特征,并将其与特征级别的多维临床数据整合,目的是训练和验证能够准确预测至少十种最常见的卵巢肿瘤病理类型的辅助诊断模型。 此外,该研究还将利用隐私保护计算和联邦学习方法对模型进行多中心、前瞻性的优化和验证。 这些方法将确保数据安全和隐私,同时实现协作模型训练。 最终目标是开发一种临床辅助诊断系统,可以预测大多数卵巢肿瘤的病理类型,并在临床环境中实施。 这种综合方法旨在利用人工智能技术在医学影像方面的优势,确保数据安全,同时提高卵巢肿瘤诊断的准确性和可靠性。
研究背景 本研究在中国北京进行。 研究对象来自首都医科大学附属北京世纪坛医院、北京友谊医院、北京妇产医院。 这些医院提供了多样化的患者群体,这支持了研究结果的普遍性。
研究对象 研究对象是被诊断患有卵巢肿瘤并接受手术治疗的患者。 用于开发预测模型的病例来自2018年1月至2023年1月连续入组的患者。 临床应用验证病例将在2023年6月至2025年6月期间前瞻性地从患者中收集。 两部分研究的纳入标准如下:(1)诊断为卵巢肿瘤并接受手术治疗的患者; (2)术前三个月内获得完整的影像资料(超声或MRI)和肿瘤标志物结果的患者。 此外,第二部分需要参与者的知情同意。 排除标准如下:(1)手术病理非起源于卵巢的患者; (二)重复案件; (3)接受过化疗或放疗的患者; (四)反复发生的案件; (5)卵巢病变成像质量差; (六)案件信息不完整的。
伦理 本研究方案已经首都医科大学附属北京世纪坛医院伦理委员会审查并批准。 伦理批准号为:[提供号]。 该研究将根据赫尔辛基宣言的原则进行。 对于模型开发阶段,回顾性病例已被授予放弃知情同意权。 对于临床验证阶段,所有参与者将在研究开始前阅读知情同意书,自愿同意参与,并签署知情同意书。
数据收集研究者将收集研究对象的影像学数据(盆腔超声、盆腔MRI)和临床数据(一般信息、病史、家族史、体格检查、实验室检查、病理报告、临床诊断等)。 这将有助于构建具有分类和分割注释的多模态卵巢肿瘤数据集,为后续开发多模态卵巢肿瘤辅助诊断模型提供AI数据集支持。 随着研究的进展,研究人员的目标是实现数据集的灵活扩展和深度挖掘,建立多模态数据集的标准化协议,并实现有效的数据共享。
图像数据处理、分割和分类注释该项目利用 OpenSlide 工具来处理图像,调整图像大小以确保像素尺寸为 300 的倍数。 随后将图像分割为 300×300 像素部分并转换为 PNG 格式。 病灶的精确分割是精确图像识别的基础。 该项目由妇科医生团队以及北航电子信息工程学院的专家组成,利用专业标注软件LabelMe,根据病理结果进行图像分割和分类标注,从而建立分割分类的数据库。 例如,在二维超声图像的情况下,手动分割病灶,标记卵巢肿瘤位置并转换为相应的分类标签。
为了进一步提高分割精度和结果,本研究构建了卵巢肿瘤图像分割网络架构,结合了多尺度特征融合模块和多级损失函数优化。 整体网络架构将超像素分割与深度学习相结合,利用卷积神经网络(CNN)强大的特征提取能力来增强边缘信息并提高分割精度。
构建基于AI的卵巢肿瘤辅助诊断系统,利用AI进行图像识别对输入的多模态图像(超声和MRI)进行视觉特征提取。 为了解决病变分类和分割的视觉任务,构建了两种算法模型:密集残差结构模型和多级边缘感知结构模型。 这些模型能够智能识别多模态图像中的病理类型
集成多维结构化数据的预测模型首先使用卷积神经网络生成像素级预测结果(分割结果),AI算法提供AI预测结果(后验概率)。 随后,后验概率向量与结构化数据(年龄、主诉、病程、体检结果、实验室检查和其他临床指标)进行特征融合。 这些被连接成一个新的特征向量,然后通过决策模型(例如XGBoost)进一步分析,以确定卵巢肿瘤的病理类别。 使用病理结果作为金标准来训练和验证模型。
辅助诊断系统 多模式卵巢肿瘤辅助诊断系统分为多个层次。 系统由四个主要层次组成,从下到上: 1)底层模块:该模块主要负责提供深度学习推理加速,保证系统运行所需的基础能力。 2)基础应用库(基础层):该层提供医疗信息处理和平台日志记录的必备库。 3)深度学习框架(深度学习推理层):作为系统的智能核心,提供智能系统推理所需的基础深度学习框架。 其中包括常用的神经网络推理库,支持跨不同平台的精确神经网络模型推理。 4)应用层(又分为应用层和组件层):该层为平台系统提供必要的服务。 它被设计为灵活且可扩展,具有独立功能、松散耦合的模块。 这些层相对解耦,每个层提供独立的功能。 平台系统采用自下而上的设计,具有人性化的、外部封装的操作界面,允许用户直接与平台交互。
多模态卵巢肿瘤辅助诊断系统具有几个关键功能。 首先,它可以根据用户要求读取超声和MRI图像以及病历,并根据需要转换格式。 然后对图像和病历进行预处理,去除不相关的信息,有利于后续的模型推理。 病变识别模块执行分类和分割,估计病变概率并识别潜在病变区域。 最后,数据后处理模块对分类结果进行决策级融合,自动标注病变区域,并结合病历信息生成预测病理类型的辅助诊断结果。
多中心、前瞻性辅助诊断系统优化及临床应用验证通过三个研究中心妇科肿瘤团队的合作,多模态卵巢肿瘤辅助诊断系统将进行多中心、前瞻性临床应用,以手术病理结果为金标准。 多模态卵巢肿瘤辅助诊断系统的整体诊断性能和跨病理类别的诊断性能将在主、辅中心通过比较特异性、敏感性、阳性预测值、阴性预测值和区域下面积等指标进行评估。 ROC 曲线(AUC)。 该系统将不断得到验证和优化,以提高其性能。 将比较三个研究中心卵巢肿瘤辅助诊断系统应用前后术前诊断与术后病理结果的一致性,以评估辅助诊断系统的临床效果。
基于水平联邦学习的多中心辅助诊断系统优化范式 基于水平联邦学习的多中心辅助诊断系统优化范式涉及主中心对辅助诊断模型的管理和分发。 其他中心采用增量学习机制,利用自己的数据对辅助诊断系统进行微调,并向主中心提供更新的参数。 这一过程确保改进对卵巢肿瘤的智能识别,同时维护跨中心的数据隐私。 最初,主中心构建了基于人工智能的多模态卵巢肿瘤预测模型。 然后将该模型加密并分发到分支机构中心。 分支中心达到一定的数据池规模并满足标注标准后,启动模型优化。 最后,各中心对模型进行微调后,将更新后的参数上传至主中心。 主中心评估模型性能以确定是否需要进行模型版本迭代。 如果是,则重新分配更新后的模型,实现多中心模型优化的水平联邦学习闭环。
统计分析样本量计算
- 多模态卵巢肿瘤辅助诊断模型的开发阶段所需的样本量是使用EPV(每变量事件)方法来估计的,这是一种基于经验的模型构建方法。 每个变量通常需要 10-20 个积极事件;在这项研究中,研究人员将 EPV 设置为 20。 研究人员预计诊断模型中包括 20 个自变量(和虚拟变量),因此需要 20 * 20 = 400 个恶性病例。 初步数据表明,恶性(真阳性)卵巢肿瘤患者的比例约为30%。 因此,所需样本总量为 400 / 0.30 = 1334 例。 考虑到20%的数据丢失率,训练集的最终样本量为1667例。 训练集和验证集将遵循 4:1 的比例,导致验证集样本大小为 418 个案例。 因此,所需的总样本量为 2084 个案例,每个中心贡献相等的份额。
- 多中心、前瞻性系统临床应用验证和优化阶段这部分研究主要通过测量准确性来评估辅助诊断系统的临床应用效果。 因此,使用诊断测试的样本量计算公式。
Se=90%(诊断系统的灵敏度),Sp=90%(诊断系统的特异性),根据统计和临床专家意见,errABS=5%指预期绝对误差,α=0.05。 根据样本量计算公式,真阳性组需要纳入140例。 初步数据表明,恶性(真阳性)卵巢肿瘤患者的比例约为30%。 因此,所需样本总数为 140 / 0.30 = 467 个案例。 考虑到20%的失访率,最终样本量为584例,每个中心均等份额。
数据管理 所有数据将登记在专为研究设计的电子病例报告表 (eCRF) 中。 各分中心建立独立的数据库,并由专人管理。 建立标准化的数据录入验证流程,确保严格按照研究方案准确、及时地记录数据。 我们将定期进行评估,以检查上传数据的准确性和完整性。 每个中心的数据经理将根据医疗记录等源文档验证 eCRF 中收集的数据,并审查数据收集流程。 主中心工作人员将定期对各参与中心进行现场检查,核实数据的真实性。 该研究将采用隐私计算技术保证各中心数据的独立性和安全性,在保证数据隐私的同时为多中心模型优化和验证提供服务。
数据分析 对于正态分布的连续数据,组间比较采用独立样本t检验,组内比较采用配对t检验。 对于非正态分布的连续数据和序数数据,组间比较采用Mann-Whitney U检验,组内比较采用Wilcoxon符号秩检验。 对于无序分类数据,组间比较采用卡方(χ2)检验或Fisher精确检验,组内比较采用McNemar检验。ROC曲线下面积(AUC)采用以下方法进行统计检验: DeLong 检验,敏感性和特异性将使用 Jeffreys 区间计算。 考虑到同一受试者之间的相关性,组间比较将采用调整中心效应的广义估计方程(GEE)方法。 其他指标的分析将遵循与基线分析相同的方法。
研究类型
注册 (估计的)
阶段
- 不适用
联系人和位置
学习联系方式
- 姓名:lei liu
- 电话号码:+86 13718692611
- 邮箱:cdcliulei@163.com
参与标准
资格标准
适合学习的年龄
- 孩子
- 成人
- 年长者
接受健康志愿者
描述
纳入标准:
- 1.连续入院诊断为卵巢肿瘤并准备手术治疗的病例;
- 2.术前3个月内完整的影像学资料(超声或MRI)和肿瘤标志物结果;
- 3. 自愿签署知情同意书。
排除标准:
- 1.手术病理为非卵巢源性肿瘤的患者;
- 2、重复案件;
- 3.接受放疗、化疗的病例;
- 4、反复发生的病例; 5.卵巢病变图像质量差;
学习计划
研究是如何设计的?
设计细节
- 主要用途:诊断
- 分配:不适用
- 介入模型:单组作业
- 屏蔽:无(打开标签)
武器和干预
参与者组/臂 |
干预/治疗 |
|---|---|
|
有源比较器:卵巢肿瘤
|
通过三个研究中心妇科肿瘤团队的合作,多模态卵巢肿瘤辅助诊断系统将以手术病理结果为金标准进行多中心、前瞻性临床应用。
多模态卵巢肿瘤辅助诊断系统的整体诊断性能和跨病理类别的诊断性能将在主、辅中心通过比较特异性、敏感性、阳性预测值、阴性预测值和区域下面积等指标进行评估。 ROC 曲线(AUC)。
|
研究衡量的是什么?
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
病理诊断
大体时间:术后一周内
|
手术标本送到病理科后,病理医生进行大体检查,记录标本的大小、形状、表面特征、切面特征(如肿瘤实性成分和囊性成分的比例)。
然后根据标准方案处理样本以制备组织切片,随后对其进行染色。
染色完成后,两名病理学家在显微镜下独立检查载玻片,评估肿瘤细胞的形态、排列和组织学特征,以确定肿瘤的病理性质(良性、交界性或恶性)和类型。
如果诊断结果有出入,则交由资深病理学家复核,以资深病理学家的最终意见为准。
|
术后一周内
|
|
AUC(ROC曲线下面积)
大体时间:所有研究对象必须在术后病理诊断后一年内完成随访。
|
在本研究中,曲线下面积(AUC)被用作主要评估指标来量化新预测模型的诊断性能。 AUC 基于受试者工作特征 (ROC) 曲线,通过将模型的预测与金标准(病理诊断)进行比较,评估模型在不同阈值下区分阳性病例和阴性病例的能力。 AUC的意义:AUC值范围为0.5到1.0,值越高表明模型的整体判别能力越强。 具体解读如下: AUC = 0.5:模型没有诊断能力。 0.7 ≤ AUC < 0.9:模型表现出良好的诊断性能。 AUC≥0.9:模型表现出优异的诊断性能。 AUC < 0.7:模型的诊断能力被认为较低。 本研究通过计算新预测模型的AUC值,评估其区分正例和负例的能力,从而验证 |
所有研究对象必须在术后病理诊断后一年内完成随访。
|
合作者和调查者
研究记录日期
研究主要日期
学习开始 (估计的)
初级完成 (估计的)
研究完成 (估计的)
研究注册日期
首次提交
首先提交符合 QC 标准的
首次发布 (估计的)
研究记录更新
最后更新发布 (估计的)
上次提交的符合 QC 标准的更新
最后验证
更多信息
与本研究相关的术语
其他相关的 MeSH 术语
其他研究编号
- IIT2024-037-002
计划个人参与者数据 (IPD)
计划共享个人参与者数据 (IPD)?
IPD 共享支持信息类型
- 研究方案
- 树液
药物和器械信息、研究文件
研究美国 FDA 监管的药品
研究美国 FDA 监管的设备产品
此信息直接从 clinicaltrials.gov 网站检索,没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求,请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改,我们的网站上也会自动更新.