Thyroidiomics: An Automated Pipeline for Segmentation and Classification of Thyroid Pathologies from Scintigraphy Images

Die menschliche Schilddrüse ist eine kleine, schmetterlingsförmige Drüse, die sich an der Basis des Halses befindet und als Thermostat des Körpers fungiert, indem sie den Stoffwechsel reguliert. Wenn diese Drüse Fehlfunktionen aufweist, kann sie anschwellen, Knoten entwickeln oder sich entzünden, was zu Erkrankungen führt, die von einer leichten Unannehmlichkeit bis hin zu ernsthaften Gesundheitsbedrohungen reichen. Um zu verstehen, was im Inneren geschieht, verwenden Ärzte oft eine spezielle Art von nuklearmedizinischer Untersuchung, die sogenannte Szintigraphie. Bei diesem Verfahren erhält der Patient eine winzige Menge einer sicheren, radioaktiven Substanz, die die Schilddrüse natürlich absorbiert. Eine Kamera erfasst dann die Bilder dieses Leuchtens und zeigt auf, wie die Drüse arbeitet und wo sie möglicherweise Fehlfunktionen aufweist. Das Lesen dieser Bilder ist jedoch eine anspruchsvolle Aufgabe. Es erfordert einen geschulten Spezialisten, der die Umrisse der Schilddrüse auf dem Bildschirm sorgfältig nachzeichnet und dann subtile Licht- und Dunkelmuster interpretiert, um die spezifische Krankheit zu diagnostizieren. Dieser Prozess ist langsam, beruht stark auf der individuellen Erfahrung des Arztes und kann von einem Experten zum anderen variieren. Da die Zahl der Patienten, die diese Scans benötigen, wächst, steht die medizinische Gemeinschaft vor der dringenden Notwendigkeit von Werkzeugen, die diese feine Arbeit unterstützen können, um sicherzustellen, dass Diagnosen sowohl schnell als auch konsistent gestellt werden.

In einer kürzlich durchgeführten Studie gingen ein Team von Forschern aus Kanada, dem Iran und der Schweiz diese Herausforderung an, indem sie ein automatisiertes System entwickelten, das sie Thyroidiomics nannten. Ihr Ziel war es, eine digitale Pipeline zu schaffen, die nicht nur die Schilddrüse in diesen leuchtenden Bildern finden, sondern auch die spezifische Krankheit klassifizieren kann, die sie betrifft – und das alles ohne menschliches Eingreifen. Sie sammelten eine massive Sammlung von 2.643 Schilddrüsenscans aus neun verschiedenen medizinischen Zentren, die eine große Vielfalt an Geräten und Patientenpopulationen abdeckte. Das Team konzentrierte sich auf drei häufige Erkrankungen: ein diffuses Kropf (Struma), bei dem die Drüse gleichmäßig vergrößert ist; einen multinodulären Kropf, der durch mehrere Knoten gekennzeichnet ist; und eine Thyroiditis, eine Entzündung des Gewebes. Um ihren Computer zu trainieren, mussten sie ihn zuerst lehren, das zu sehen, was ein Mensch sieht. Ein erfahrener Nuklearmediziner zeichnete die exakten Grenzen der Schilddrüse auf jedem einzelnen Bild manuell nach und erstellte so eine perfekte Karte, die als „Ground Truth“ (Grundwahrheit) diente, von der die Maschine lernen konnte.

Die Forscher entwickelten daraufhin ein zweistufiges System der künstlichen Intelligenz. Zuerst trainierten sie ein Deep-Learning-Modell, eine Art Computerprogramm, das vom menschlichen Gehirn inspiriert ist, um automatisch die Umrisse der Schilddrüse auf neuen Bildern zu zeichnen. Dieses Modell, bekannt als ein Residual UNet, lernte, die Schilddrüse vom umliegenden Gewebe zu unterscheiden, indem es tausende Beispiele studierte. Sobald der Computer die Umrisse der Drüse erfolgreich nachgezeichnet hatte, begann der zweite Schritt. Das System extrahierte hunderte winziger, mathematischer Details aus der Textur und Helligkeit des umrandeten Bereichs – Merkmale, die für das menschliche Auge zu subtil sind, aber reich an diagnostischen Informationen sind. Diese Details wurden dann in einen Klassifizierer für maschinelles Lernen eingespeist, der als Entscheidungsträger fungierte und die Bilder in eine der drei Krankheitskategorien sortierte. Um sicherzustellen, dass ihr System wirklich robust ist und nicht nur die spezifischen Bilder auswendig lernt, auf denen es trainiert wurde, verwendete das Team eine strenge Testmethode. Sie trainierten das System mit Daten aus acht medizinischen Zentren und testeten es am neunten, wobei sie diesen Prozess wiederholten, bis jedes Zentrum als Testfall gedient hatte. Dieser Ansatz garantierte, dass das System Bilder von unterschiedlichen Maschinen und aus unterschiedlichen Krankenhäusern verarbeiten kann.

Die Ergebnisse zeigten, dass die automatisierte Pipeline mit bemerkenswerter Geschicklichkeit arbeitete. Die Fähigkeit des Computers, die Umrisse der Schilddrüse zu zeichnen, war hochgradig genau und entsprach in den meisten Fällen den manuellen Zeichnungen des Facharztes. Bei der Diagnose der Krankheit erreichte das automatisierte System eine Genauigkeit von etwa 74 Prozent, eine Zahl, die sehr nah an der 76-prozentigen Genauigkeit liegt, die erreicht wurde, wenn das System die manuellen Umrisse des Arztes als Ausgangspunkt verwendet. Das System war besonders geschickt darin, eine Thyroiditis zu identifizieren, und klassifizierte diese mit nahezu perfekter Konsistenz über alle Testzentren hinweg. Obwohl die manuellen Umrisse immer noch einen leichten Vorteil in der Präzision hatten, war der Unterschied so gering, dass die Leistung des automatisierten Systems für die meisten Messungen als statistisch äquivalent betrachtet wurde. Dies deutet darauf hin, dass der Computer den zeitaufwendigen Schritt des manuellen Nachzeichnens effektiv ersetzen kann, ohne die diagnostische Qualität zu beeinträchtigen.

Die Implikationen dieser Arbeit gehen über die reine Geschwindigkeit hinaus. Durch die Automatisierung des Segmentierungsprozesses beseitigt das System die Variabilität, die dadurch entsteht, dass verschiedene Ärzte dieselbe Drüse auf leicht unterschiedliche Weise zeichnen. Diese Konsistenz ist entscheidend für eine zuverlässige Gesundheitsversorgung, insbesondere für weniger erfahrene Ärzte, die von einer zweiten, objektiven Meinung profitieren könnten, die sie mit ihren eigenen Einschätzungen vergleichen können. Die Forscher merkten an, dass ihr System zwar ein bedeutender Schritt nach vorn ist, aber auf Daten aus einem einzigen Land trainiert wurde und von einem vielfältigeren globalen Datensatz profitieren könnte, um sicherzustellen, dass es überall gleichermaßen gut funktioniert. Sie planen auch, Wege zu erforschen, um Krankheiten zu klassifizieren, ohne die Drüse überhaupt umranden zu müssen. Für den Moment zeigt diese Studie jedoch, dass künstliche Intelligenz in der Lage ist, die Komplexität der Schilddrüsenszintigraphie erfolgreich zu bewältigen, und bietet ein leistungsstarkes neues Werkzeug, das neben der menschlichen Expertise arbeitet, um die Patientenversorgung zu verbessern.