Benchmarking longitudinal local centiles for radiographic knee osteoarthritis prognosis
Diese Studie zeigt, dass longitudinale lokale Perzentilkarten, welche die Knorpeldicke im Kontext von Normalkurven zur Wachstumsentwicklung setzen, konventionelle Bildgebungsmerkmale sowie rohe Deep-Learning-Karten bei der Vorhersage einer radiografisch nachweisbaren Kniegelenksarthrose nach 12 und 24 Monaten signifikant übertreffen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Die Osteoarthrose ist ein langsamer, schleichender Verschleiß der Gelenke, von dem hunderte Millionen Menschen weltweit betroffen sind. Jahrzehntelang haben sich Ärzte zur Diagnose der Krankheit auf Röntgenaufnahmen verlassen und nach der charakteristischen Verengung des Raums zwischen den Knochen gesucht. Doch bis eine Röntgenaufnahme Schäden zeigt, hat das Gelenk oft schon erhebliche strukturelle Schäden erlitten. Um die Krankheit früher zu erkennen, haben Forscher die Magnetresonanztomographie, oder MRT, herangezogen, die den weichen Knorpel sehen kann, der die Gelenke polstert. Die Herausforderung besteht darin, dass die Knorpeldicke von Mensch zu Mensch natürlich variiert, basierend auf Alter, Körpergröße und Geschlecht. Eine Knorpelschicht, die für eine Person dünn aussieht, mag für eine andere völlig normal sein, was es schwierig macht, die subtilen, frühen Anzeichen der Krankheit bei einem einzelnen Patienten zu entdecken.
Ein Forschungsteam der University of North Carolina und anderer Institutionen hat eine neue Methode entwickelt, um diese Bilder zu analysieren, die diese Verwirrung beseitigt. Anstatt zu fragen, ob der Knorpel eines Knies einfach dick oder dünn ist, stellten sie eine spezifischere Frage: Ist der Knorpel dünner oder dicker, als er für diese spezifische Person zu diesem spezifischen Zeitpunkt sein sollte? Um dies zu beantworten, erstellten sie einen massiven Satz von Referenztabellen, ähnlich den Wachstumstabellen, die Kinderärzte für Kinder verwenden, aber für den Knorpel des erwachsenen Knies. Sie analysierten tausende MRT-Scans von fast tausend Menschen, deren Knie über viele Jahre hinweg gesund geblieben waren. Mithunter Verwendung dieser Daten erstellten sie eine Karte, die genau vorhersagt, wie dick der Knorpel an jedem winzigen Punkt der Knieoberfläche sein sollte, unter Berücksungs der Merkmale wie Alter, Gewicht und anderer Eigenschaften einer Person.
Die Forscher wandten diese Karte dann auf Menschen an, die später an Osteoarthrose erkranken würden. Sie verglichen die tatsächliche Knorpeldicke dieser Patienten mit der „erwarteten“ Dicke aus ihren Referenztabellen. Dieser Prozess enthüllte ein Muster der Abweichung: In den Jahren vor der Entwicklung der durch Röntgenbilder nachweisbaren Anzeichen der Krankheit war ihr Knorpel bereits dünner, als das Referenzmodell für sie vorhergesagt hatte. Entscheidend war, dass das Team feststellte, dass die Betrachtung der Krankengeschichte eines Patienten den Unterschied machte. Indem sie einen aktuellen Scan nicht nur mit der Allgemeinbevölkerung, sondern auch mit den früheren Scans derselben Person verglichen, konnten sie unterscheiden, ob jemand schon immer dünnen Knorpel hatte oder ob der Knorpel erst kürzlich degenerierte. Dieser longitudinale Ansatz, der die Veränderung im Laufe der Zeit für das Individuum verfolgt, erwies sich als weitaus leistungsfähiger als die Betrachtung einer einzelnen Momentaufnahme.
Als das Team seine Methode gegen andere fortschrittliche Techniken testete, einschließlich komplexer Computeralgorithmen, die Texturen analysieren, sowie Deep-Learning-Systeme, die Bilder nach verborgenen Mustern scannen, schnitt ihr Ansatz am besten ab. Unter Verwendung von Daten aus über 5.000 Scans erstellten sie Vorhersagemodelle, um zu bestimmen, wer innerhalb von ein oder zwei Jahren eine radiologische Osteoarthrose entwickeln würde. Die Modelle, die diese „longitudinalen Perzentil-Karten“ verwendeten – im Wesentlichen Karten, die zeigen, wo der Knorpel von der erwarteten Norm abwich –, erreichten die höchste Diskriminationsfähigkeit. Für die Vorhersage innerhalb eines Jahres erreichte das beste Modell einen AUC-Wert von 0,954, und für die Vorhersage innerhalb von zwei Jahren erreichte es einen AUC-Wert von 0,969. Diese Ergebnisse übertrafen die Modelle, die auf Standardmessungen, Rohbilddaten oder Querschnittsvergleichen beruhten, welche die Krankengeschichte des Patienten ignorierten, deutlich.
Die Studie hob auch den Wert der Interpretierbarkeit hervor. Während einige der genauesten Modelle komplexe „Black-Box“-Computersysteme nutzten, die schwer zu verstehen sind, erstellten die Forscher auch eine einfachere Version unter Verwendung regionaler Profile. Diese Profile fassen die Größe und Lage der Bereiche zusammen, in denen der Knorpel unerwartet dünn war. Dies ermöglichte es ihnen, genau die Teile des Knies zu lokalisieren, die gefährdet waren, wie etwa die zentralen belastenden Bereiche des Tibia und Femur, was eine klare anatomische Erklärung für die Vorhersage lieferte. Die Forscher fanden heraus, dass die einfacheren regionalen Profile zwar eine etwas geringere Genauigkeit als die komplexen Computermodelle aufwiesen, aber eine nahezu identische Leistung erbrachten und gleichzeitig viel leichter für Ärzte zu interpretieren waren.
Trotz dieser Erfolge stellte die Studie fest, dass die Methode die Vorhersagen für einen Zeitraum von drei Jahren nicht konsistent verbesserte, was wahrscheinlich darauf zurückzuführen ist, dass die Gruppe der Patienten, die eine Krankheit in diesem Zeitraum entwickelten, kleiner und schwieriger zu verfolgen war. Die Forscher betonten auch, dass ihre Ergebnisse auf einer spezifischen Gruppe von Menschen basieren und dass die Methode weitere Tests in anderen Populationen benötigt, bevor sie im klinischen Alltag eingesetzt werden kann. Dennoch zeigt die Arbeit, dass es durch die Kombination eines tiefen Verständnisses der normalen menschlichen Variation mit der eigenen Krankengeschichte eines Patienten möglich ist, die frühesten Anzeichen einer Gelenkerkrankung zu erkennen, lange bevor sie auf einem Standard-Röntgenbild sichtbar werden. Dieser Ansatz verwandelt ein statisches Bild in eine dynamische Geschichte der Veränderung und bietet ein potenzielles neues Werkzeug, um Osteoarthrose zu erfassen, bevor sie irreversiblen Schaden verursacht.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.