Het trainen van een kunstmatig intelligentiemodel voor aortadissectiedetectie met behulp van contrastloze computertomografiebeelden van menselijke patiënten

Summary

Dit protocol beschrijft het trainen van een kunstmatige intelligentiemodel om aortadissectie te detecteren met behulp van niet-contrasterende computertomografiebeelden, waardoor snelle en toegankelijke screening in klinische omgevingen mogelijk is.

Abstract

Aortadissectie (AD) is een ernstig gevolg van een verstoorde vasculaire remodelinghomeostase en vereist snelle, nauwkeurige identificatie in de klinische praktijk. Dit protocol beschrijft een op kunstmatige intelligentie gebaseerd leermodel voor AD-identificatie met behulp van niet-contrast computertomografie (CT). Borst-CT- en aorta-CT-angiografiegegevens zijn verzameld van AD- en niet-AD-patiënten in een tertiair ziekenhuis van klasse A. Vaatstructuren op elk axiale beeld werden handmatig gesegmenteerd en geannoteerd met de open-source software LabelMe om een segmentatiedataset op te zetten voor modelontwikkeling en evaluatie. De dataset werd opgedeeld in trainings-, test- en validatiesets in een verhouding van 8:1:1 voor modeltraining en validatie. Na de ontwikkeling van een model met robuuste detectieprestaties werd een online verwerkingsplatform gebouwd om de resultaten effectief te visualiseren en te presenteren. Deze aanpak biedt een krachtig, intelligent hulpmiddel voor snelle, voorlopige screening van AD en pakt de onvervulde klinische behoefte aan toegankelijke vroege detectie in diverse klinische omgevingen in.

Introduction

Aortadissectie (AD) is een levensbedreigende acute aandoening die wordt gekenmerkt door bloed dat via een scheur in het intimuslijmvlies de mediale laag van de aortawand binnendringt, waardoor een dissectie en uitzettende valse lumen¹ ontstaat. Zonder tijdige diagnose en behandeling is het sterftecijfer extreem hoog; het sterftecijfer binnen 24 uur (inclusief overlijden vóór het bereiken van het ziekenhuis) was 93^%. Contrastversterkte computertomografie angiografie (CTA) is de gouden standaard voor het diagnosticeren van AD, omdat het duidelijk de ware en valse lumen, de locatie van de s....

Protocol

Alle gegevensverzameling met betrekking tot mensen in deze studie werd uitgevoerd in overeenstemming met de ethische normen van de Verklaring van Helsinki en goedgekeurd door de Ethische Commissie van het China-Japan Union Hospital van de Universiteit van Jilin (goedkeuringsnummer: 2019103004). Geïnformeerde toestemming werd schriftelijk verkregen van alle individuele deelnemers of hun wettelijke voogden voorafgaand aan het verzamelen van hun relevante informatie. Alle persoonlijke informatie van de proefpersonen werd strikt vertrouwelijk behandeld om hun privacy te beschermen, en er werden tijdens het gegevensverzamelingsproces geen ....

Results

Deze sectie presenteert de reproduceerbare, implementatie-geverifieerde resultaten van het tweeklassen objectdetectiemodel voor AD-detectie uit NCCT-beelden, strikt in lijn met de gevalideerde trainingspijplijn en het COCO-evaluatiekader (Figuur 1). Alle metrics zijn afgeleid van de vastgehouden testset met behulp van COCOeval, zonder gefabriceerde data of niet-gevalideerde indicatoren.

Kwantitatieve detectieprestaties

Discussion

Clinici, met name spoedeisende hulpverleners, kunnen een verminderde diagnostische prestatie ervaren wanneer patiënten atypische symptomen tonen of wanneer een hoog aantal patiënten op de spoedeisende hulp tijdsdruk veroorzaakt. Daarentegen kan een AI-model dat is getraind om AD te identificeren op NCCT consistente en stabiele prestaties leveren, zelfs bij asymptomatische patiënten, zonder beperkt te zijn door leestijd, waardoor de nauwkeurigheid en efficiëntie van het diagnosticeren van.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Cascade R-CNN architecture	OpenMMLab (MMDetection)	configs/cascade_rcnn/cascade_ rcnn_hrnetv2p_w32_20e_coco.py	Detection architecture used in framework
Chest computed tomography images (non-contrast)	Self-constructed clinical dataset	NCCT axial image set	Clinical imaging data used for model development
COCO-format annotation files	Generated during protocol	JSON (COCO format)	Converted annotation files used for model training
COCO pre-trained weights	OpenMMLab MMDetection model zoo	cascade_rcnn_hrnetv2p_w32_20e_ coco_20200208-928455a4.pth	Used for model initialization
HRNetV2p-W32 architecture	OpenMMLab (MMDetection)	HRNetV2p-W32 backbone (implemented in MMDetection 2.28.2)	Backbone model used
ITK-SNAP	ITK-SNAP Development Team	3.8.0	Used for image format conversion and slice export
JSON annotation files	LabelMe output	Standard JSON format	Contain annotation coordinates and labels
LabelMe	MIT CSAIL	4.8.3	Used for manual image annotation
MMDetection	OpenMMLab	2.28.2	Object detection framework used for implementation
MMCV	OpenMMLab	1.7.2	Core library supporting MMDetection
NumPy	NumPy Developers	1.26.4	Numerical computation library
NVIDIA RTX 3080 Ti GPU	NVIDIA	RTX 3080 Ti	Hardware used for training
OpenCV	OpenCV	4.9.0	Image processing and visualization
pycocotools	PyPI / COCO API	2.0.6	COCO-format evaluation library
Python	Python Software Foundation	3.10.20	Programming environment
PyTorch	PyTorch	2.0.1+cu118	Deep learning framework
TorchVision	PyTorch	0.15.2+cu118	Vision utilities
Ubuntu Operating System	Canonical	22.04.1 LTS	Training environment OS