Addestramento di un modello di intelligenza artificiale per la rilevazione della dissezione aortica utilizzando immagini di tomografia computerizzata senza contrasto di pazienti umani

Summary

Questo protocollo descrive l'addestramento di un modello di intelligenza artificiale per rilevare la dissezione aortica utilizzando immagini di tomografia computerizzata senza contrasto, consentendo uno screening rapido e accessibile in contesti clinici.

Abstract

La dissezione aortica (DA) è una conseguenza estrema dell'omeostasi di rimodellamento vascolare compromessa e richiede un'identificazione rapida e accurata nella pratica clinica. Questo protocollo descrive un modello di apprendimento basato sull'intelligenza artificiale per l'identificazione della DA, utilizzando la tomografia computerizzata (CT) senza contrasto. Sono stati raccolti dataset per TC toracica e angiografia aortica da pazienti con e senza AD in un ospedale terziario di grado A. Le strutture vascolari su ciascuna immagine assiale sono state segmentate manualmente e annotate utilizzando il software open-source LabelMe per stabilire un dataset di segmentazione per lo sviluppo e la valutazione del modello. Il dataset è stato suddiviso in set di addestramento, test e validazione con un rapporto 8:1:1 per l'addestramento e la validazione del modello. Dopo lo sviluppo di un modello con prestazioni di rilevamento robuste, è stata costruita una piattaforma di elaborazione online per visualizzare e presentare efficacemente i risultati. Questo approccio fornisce uno strumento potente e intelligente per uno screening rapido e preliminare della DA e risponde al bisogno clinico non soddisfatto di una diagnosi precoce accessibile in diversi ambienti clinici.

Introduction

La dissezione aortica (DA) è una condizione acuta potenzialmente letale, caratterizzata dal sangue che entra nello strato mediale della parete aortica attraverso una lacerazione nella mucosa intima, formando un falso lumen¹ che si disseziona ed espande. Senza una diagnosi e un trattamento tempestivi, il tasso di mortalità è estremamente alto, con l'incidenza di decessi entro 24 ore (inclusa la morte prima dell'arrivo in ospedale) del 93%^2. La tomografia computerizzata con contrasto (CTA) è il punto di riferimento per la diagnosi dell'Alzheimer, poiché può visualizzare chiaramente i lumen....

Protocol

Tutta la raccolta di dati relativi all'uomo in questo studio è stata condotta in conformità con gli standard etici della Dichiarazione di Helsinki ed è stata approvata dal Comitato Etico dell'Ospedale dell'Unione Cina-Giappone dell'Università di Jilin (Numero di approvazione: 2019103004). Il consenso informato è stato ottenuto per iscritto da tutti i singoli partecipanti o dai loro tutori legali prima della raccolta delle informazioni rilevanti. Tutte le informazioni personali dei soggetti venivano mantenute strettamente riservate per tutelare la loro privacy, e non sono state effettuate operazioni sperimentali sui soggetti durante il....

Results

Questa sezione presenta i risultati riproducibili e verificati nell'implementazione del modello di rilevamento oggetti a due classi per il rilevamento AD dalle immagini NCCT, strettamente allineati con la pipeline di addestramento validata e il framework di valutazione COCO (Figura 1). Tutte le metriche sono derivate dal set di test tenuto tramite COCOeval, senza dati fabbricati o indicatori non validati.

Prestazioni di ri.......

Discussion

I clinici, in particolare i medici d'emergenza, possono sperimentare una diminuzione delle prestazioni diagnostiche quando i pazienti presentano sintomi atipici o quando un elevato volume di pazienti nei pronto soccorso impone vincoli di tempo. Al contrario, un modello di IA addestrato per identificare l'AD su NCCT può offrire prestazioni costanti e stabili anche in pazienti asintomatici, senza essere limitato dal tempo di lettura, migliorando così potenzialmente l'accuratezza e l'effici.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Architettura Cascade R-CNN	OpenMMLab (MMDetection)	configurazioni/cascade_rcnn/cascade_ rcnn_hrnetv2p_w32_20e_coco.py	Architettura di rilevamento utilizzata nel framework
Immagini di tomografia computerizzata toracica (senza contrasto)	Dataset clinico autocostruito	Insieme di immagini assiali NCCT	Dati di imaging clinico utilizzati per lo sviluppo del modello
File di annotazione in formato COCO	Generato durante il protocollo	JSON (formato COCO)	File di annotazione convertiti usati per l'addestramento dei modelli
Pesi pre-addestrati COCO	OpenMMLab MMDetection modello zoo	cascade_rcnn_hrnetv2p_w32_20e_ coco_20200208-928455a4.pth	Utilizzato per l'inizializzazione del modello
Architettura HRNetV2p-W32	OpenMMLab (MMDetection)	Spina dorsale HRNetV2p-W32 (implementata in MMDetection 2.28.2)	Modello di spina dorsale utilizzato
ITK-SNAP	Team di sviluppo ITK-SNAP	3.8.0	Utilizzato per la conversione di formato immagine e l'esportazione a slice
File di annotazione JSON	Output LabelMe	Formato JSON standard	Contenere coordinate di annotazione e etichette
LabelMe	MIT CSAIL	4.8.3	Utilizzato per l'annotazione manuale delle immagini
MMDetection	OpenMMLab	2.28.2	Framework di rilevamento degli oggetti utilizzato per l'implementazione
MMCV	OpenMMLab	1.7.2	Libreria core che supporta MMDetection
NumPy	Sviluppatori NumPy	1.26.4	Libreria di calcolo numerico
NVIDIA RTX 3080 Ti GPU	NVIDIA	RTX 3080 Ti	Hardware utilizzato per l'addestramento
OpenCV	OpenCV	4.9.0	Elaborazione e visualizzazione delle immagini
pycocotools	PyPI / COCO API	2.0.6	Libreria di valutazione in formato COC
Python	Python Software Foundation	3.10.20	Ambiente di programmazione
PyTorch	PyTorch	2.0.1+cu118	Framework per il deep learning
TorchVision	PyTorch	0.15.2+cu118	Utility di visione
Sistema operativo Ubuntu	Canonico	22.04.1 LTS	Ambiente di addestramento OS