Studiu la cai: Clasificarea radiografiilor membrelor cailor de curse folosind rețele neuronale convoluționale profunde (machine learning)

Materiale și metode folosite

Radiografiile (N = 9504) ale membrelor cailor din seturi de imagini realizate pentru inspecții veterinare de către 10 clinici veterinare independente au fost utilizate pentru a antrena, valida și testa (116, 40 și, respectiv, 42 de radiografii) șase arhitecturi de învățare profundă disponibile ca parte a cadrului de învățare automată open source PyTorch. Arhitecturile de învățare profundă cu cea mai bună acuratețe de top-1 au avut dimensiunea lotului investigată în continuare.

Rezultate

Precizia top-1 a celor șase arhitecturi de învățare profundă a variat între 0,737 și 0,841. Precizia de top-1 a celei mai bune arhitecturi de învățare profundă (ResNet-34) a variat de la 0,809 la 0,878, în funcție de mărimea lotului. ResNet-34 (dimensiunea lotului = 8) a obținut cea mai mare precizie de top-1 (0,878), iar majoritatea (91,8%) clasificărilor greșite s-au datorat erorilor de lateralitate. Hărțile de activare a clasei au indicat că morfologia articulației, nu markerii laterali sau alte regiuni neanatomice ale imaginii, au condus decizia modelului.

Concluzii

Rețelele neuronale convoluționale profunde pot clasifica radiografiile de preimport ale ecvideelor în cele 48 de vederi standard, inclusiv o discriminare moderată a lateralității, independent de prezența markerilor laterali.

Contextul cercetării

Rețelele neuronale convoluționale profunde (DCNN) sunt o clasă de metode de învățare automată (machine learning - ML) cu potențial de a spori diagnosticul și cercetarea radiologică. ML a fost utilizată în medicina umană și veterinară de câteva decenii. Până la începutul anilor 2010, aplicarea ML la radiografii a necesitat ca experții să definească un set de caracteristici (numite radiomice); caracteristicile au fost utilizate pentru a crea modele folosind metode precum regresia liniară, arborii de decizie și mașinile cu vectori de suport. DCNN diferă de ML menționat anterior deoarece caracteristicile sunt create într-un proces numit convoluție, care agregă informațiile fiecărui pixel și ale vecinilor săi locali pe întreaga imagine și este rafinat în timpul antrenamentului fără aportul experților.

Până în prezent, majoritatea studiilor DCNN se bazează pe pacienți umani. Oamenii au o gamă limitată de variații morfologice, în timp ce centralizarea serviciilor radiografice în spitale mari conduce la seturi de date imagistice suficient de consistente și numeroase pentru a fi utilizate în dezvoltarea DCNN. Speciile veterinare sunt radiografiate în mod obișnuit în cabinete mici descentralizate, cu un volum de cazuri relativ mult mai mic decât în cabinete de radiografie umană, cu game de vizualizări și condiții de examinare foarte variabile. Variațiile în cadrul speciei pot fi mari, cum ar fi în cazul câinilor, care au o gamă enormă de dimensiuni și morfologii. Ca atare, obținerea unui număr suficient de imagini și a unei coerențe a acestora este dificilă, iar aplicarea DCNN în radiologia veterinară prezintă un set divers de provocări.

Într-un astfel de scenariu, caii de curse Thoroughbred din Hong Kong reprezintă o populație utilă, deoarece sunt gestionați la nivel central de către Hong Kong Jockey Club (aproximativ 1200 de cai la un moment dat). Această rasă unică de masculi tineri, în formă, aproape toți castrați, reprezintă o populație de studiu neobișnuit de omogenă și de mare care se află sub supraveghere veterinară continuă. Toți caii de curse din Hong Kong trebuie să fie supuși unei examinări veterinare înainte de import, care include o radiografie a membrelor pentru a depista eventualele anomalii ortopedice.

Un set standard de 48 de radiografii (tabelul S1) este examinat pentru a evalua dacă calul este potrivit pentru curse înainte de importul în Hong Kong. Având în vedere valoarea ridicată a acestor animale și costurile financiare și de bunăstare pe care le implică o accidentare care le-ar putea întrerupe ulterior cariera, radiografiile sunt luate la un standard ridicat de consecvență și sunt examinate cu atenție. Seturile de radiografii sunt stocate într-o bază de date specializată, Asteris Keystone. După cunoștințele autorilor, nu există instrumente DCNN existente care să fie utilizate in vivo pentru caii de rasă Thoroughbred sau pentru radiologia ecvină în general.

Obiectivul studiului a fost de a stabili un asistent de diagnosticare bazat pe DCNN de la un capăt la altul pentru analiza seriei de 48 de imagini radiografice de preimport utilizate în protocolul Hong Kong Jockey Club. În acest studiu inițial, s-a urmărit determinarea celor mai promițătoare arhitecturi DCNN pentru aplicație, fără a analiza hiperparametrii optimi. S-a investigat acuratețea arhitecturilor DCNN actuale, cu sursă deschisă și disponibile în mod gratuit, pentru a clasifica radiografiile de pre-import ale ecvideelor în cele 48 de vederi standard, inclusiv discriminarea stânga-dreapta și a membrelor anterioare și posterioare.

Anatomia membrelor, distal de „genunchi” la membrul anterior și tars, „jaret” la membrul posterior este aproape identică între cele două membre, anterioare și posterioare. Articulațiile metacarpofalangiene și metatarsofalangiene sunt examinate în detaliu datorită implicării lor frecvente în accidentări care pot limita cariera.

Sursa: