Development and evaluation of automated organ segmentation models for abdominal ultrasound in injured children

Wenn ein Kind nach einer schweren Verletzung in der Notaufnahme eines Krankenhauses eintrifft, müssen Ärzte schnell feststellen, ob eine innere Blutung vorliegt. Einer der schnellsten Wege, dies zu überprüfen, ist ein Ultraschall am Krankenbett, eine schmerzfreie Untersuchung, die Schallwellen nutzt, um bewegte Bilder aus dem Inneren des Körpers zu erzeugen. In der Traumataversorgung wird diese spezifische Untersuchung als „Focused Assessment with Sonography for Trauma“ bezeichnet. Dabei bewegt ein Arzt ein Handgerät über den Bauch des Kindes, um nach Flüssigkeit in den Räumen um Leber, Milz und Blase zu suchen. Obwohl dieses Werkzeug lebenswichtig ist, hängt die Qualität der Untersuchung vollständig von den Fähigkeiten der Person ab, die das Gerät hält, und der Klarheit der erzeugten Bilder. Manchmal sind die Bilder verschwommen oder der Arzt übersieht eine Stelle, was es schwierig macht, sicher zu sein, ob das Kind in Sicherheit ist. Um dies zu verbessern, bringen Forscher Computern bei, diese Bilder automatisch zu verstehen, aber zuerst muss der Computer lernen, wie die Organe aussehen. Dies erfordert die Vermittlung des Wissens an die Maschine, die Grenzen der Leber, der Nieren und anderer Strukturen zu erkennen – eine Aufgabe, die normalerweise einen Experten Stunden an manueller Arbeit für jedes einzelne Bild kostet.

Ein Forschungsteam der University of California, San Francisco, setzte sich zum Ziel, dieses Problem zu lösen, indem es ein Computersystem entwickelte, das automatisch sechs Schlüsselorgane in den Abdominal-Ultraschallbildern verletzter Kinder finden und umreißen kann. Sie konzentrierten sich auf die Blase, die Nieren, die Leber, die Milz, die Wirbelsäule und das Zwerchfell, den Muskel, der beim Aten hilft. Dies sind die Strukturen, die Ärzte als Orientierungspunkte nutzen, um zu entscheiden, ob eine Untersuchung vollständig und genau ist. Das Team sammelte eine Sammlung von 200 Ultraschall-Videoclips von Kindern, die in einem großen Traumazentrum behandelt wurden. Anschließend ließen sie Experten die Umrisse jedes Organs sorgfältig auf tausenden einzelnen Einzelbildern dieser Videos zeichnen, wodurch einen Satz von „Ground Truth“-Beispielen (Referenzdaten) erstellte, von denen der Computer lernen konnte. Unter Verwendung dieser Beispiele trainierten die Forscher vier verschiedene Arten von Modellen der künstlichen Intelligenz, um dieselbe Aufgabe auszuführen. Diese Modelle reichten von einfacheren, etablierten Designs bis hin zu neueren, komplexeren Systemen, die fortgeschrittene mathematische Techniken nutzen, um gleichzeitig auf verschiedene Teile eines Bildes zu achten.

Die Forscher testeten, wie gut jedes Computermodell die korrekten Umrisse im Vergleich zu den Zeichnungen der Experten erraten konnte. Sie fanden heraus, dass die Computer sehr gut bei der Sache waren, insbesondere bei den Nieren und der Blase, wo die Formen deutlich und leicht zu erkennen sind. Im Durchschnitt entsprachen die Umrisse des Computers den Umrissen der menschlichen Experten mit einem hohen Grad an Überschneidung. Ein spezielles Modell, das ein Standarddesign mit einer neueren Methode zur Fokussierung der Aufmerksamkeit auf wichtige Details kombinierte, schnitt insgesamt am besten ab. Es identifizierte die Leber, die Milz und die Nieren mit bemerkenswerter Genauigkeit und erledigte dies sehr schnell, indem es weniger als eine Sekunde für die Verarbeitung eines einzelnen Bildes benötigte. Das System hatte etwas mehr Schwierigkeiten mit dem Zwerchfell und der Wirbelsäule, die dünner sind und in Ultraschallbildern schwerer klar zu erkennen sind, aber selbst für diese schwierigen Teile lieferte der Computer nützliche Ergebnisse.

Um zu sehen, ob diese Technologie in der realen Welt funktionieren würde, nahm das Team das am besten abschneidende Modell und zeigte ihm Ultraschallclips, die es zuvor noch nie gesehen hatte, einschließlich Scans von Kindern und Erwachsenen. Vier unabhängige Experten überprüften die Arbeit des Computers und untersuchten dabei, ob die Umrisse an der richtigen Stelle erschienen und ob die Bildqualität gut genug war, damit ein Arzt ihr vertrauen konnte. Die Experten fanden heraus, dass der Computer die Organe in der überwiegenden Mehrheit der Clips erfolgreich lokalisierte, wobei die Erfolgsraten je nach Organ zwischen etwa drei Vierteln und fast allen Fällen lagen. Das System war besonders zuverlässig bei der Blase und der Leber, wo es in der Erwachsenengruppe nahezu perfekte Werte und in der Kindergruppe sehr hohe Werte erreichte. Die Forscher stellten fest, dass der Computer meist dann scheiterte, wenn das Originalbild zu verschwommen oder schlecht aufgenommen war, und nicht, weil der Computer verwirrt war. Dies deutet darauf hin, dass die Technologie robust genug ist, um die unordentliche, unvorhersehbare Realität von Notaufnahme-Scans zu bewältigen.

Die Studie zeigte auch, dass größere, komplexere Computermodelle nicht zwangsläufig besser waren. Das fortschrittlichste Modell, das mit einer großen Datenbank von 280.000 Ultraschallbildern von anderen Personen trainiert worden war, schnitt nicht signifikant besser ab als das einfachere, maßgeschneiderte Modell. Tatsächlich war das einfachere Modell schneller und erforderte weniger Rechenleistung, was es praktischer für den Einsatz in einem geschäftigen Krankenhaus macht. Dieser Befund legt nahe, dass für diese spezifische Aufgabe die Art und Weise, wie das Modell konzipiert ist, wichtiger ist als die Menge der Daten, mit denen es vortrainiert wurde. Die Forscher kamen zu dem Schluss, dass dieses automatisierte System einen bedeutenden Schritt nach vперед darstellt. Indem sie Computer die mühsame Arbeit des Umreißens von Organen überlassen, können Ärzte und Forscher größere, bessere Datensätze aufbauen, um zukünftige Werkzeuge zu trainieren, die eines Tages vielleicht Blutungen automatisch erkennen oder einem Arzt mitteilen können, ob eine Untersuchung technisch begrenzt ist. Obwohl das System noch nicht bereit ist, das menschliche Urteil zu ersetzen, bietet es eine leistungsstarke neue Möglichkeit, die Qualität der Versorgung verletzter Kinder zu standardisieren und zu verbessern.