Cascade Deep Learning (nnU-Net + ResNet-18) for Meniscus Segmentation and Three-Grade Injury Classification on Knee MRI: A Single-Centre Study with Reader Assistance Evaluation

Das menschliche Knie ist ein Wunderwerk der Ingenieurskunst, das sich auf zwei C-förmige Knorpelpolster, die Menisken, stützt, um das Gelenk zu polstern und es stabil zu halten. Wenn diese Polster reißen oder abgenutzt werden, sind die Folgen Schmerzen, Schwellungen und ein Verlust der Beweglichkeit, was oft eine Operation erforderlich macht. Um diese Verletzungen zu diagnostizieren, verlassen sich Ärzte auf die Magnetresonanztomographie, oder MRT, die detaillierte Querschnittsbilder des Inneren des Knies erstellt. Das Lesen dieser Bilder ist jedoch eine langsame und anspruchsvolle Aufgabe. Ein Radiologe muss hunderte von dünnen Schichten scannen und dabei nach subtilen Veränderungen in der Textur des Knorpels suchen, die auf einen Riss hindeuten. Dieser Prozess ist nicht nur zeitaufwendig, sondern auch anfällig für menschliche Fehler; zwei verschiedene Ärzte könnten denselben Scan betrachten und uneinig darüber sein, ob ein Patient ein geringfügiges Verschleißproblem oder einen schweren Riss hat, der einer sofortigen Reparatur bedarf. Diese Inkonsistenz kann die Behandlung verzögern oder zu unnötigen Eingriffen führen.

In dem Bemühen, diesen Prozess schneller und zuverlässiger zu machen, haben Forscher begonnen, Computer das Lesen dieser Scans beizubringen. Dieses Feld, bekannt als Deep Learning, beinhaltet das Training von Computerprogrammen, Muster in Bildern zu erkennen, ähnlich wie ein menschliches Gehirn Gesichter erkennt. Das Ziel ist nicht, den Arzt zu ersetzen, sondern ein Werkzeug zu schaffen, das als zweites Paar Augen fungiert, indem es Problembereiche hervorhebt und eine Zweitmeinung anbietet. Eine neue Studie eines Krankenhauses in China untersucht, wie gut ein solches System speziell bei Meniskusverletzungen funktioniert. Die Forscher entwickelten ein zweistufiges Computersystem, das zuerst den Meniskus im MRT-Scan findet und ihn dann analysiert, um zu bestimmen, ob er gesund, degeneriert oder gerissen ist. Sie testeten dieses System an Hunderten von Patienten und beobachteten anschließend, wie es die Leistung von Assistenzärzten beeinflusste, mit dem Ziel zu sehen, ob der Computer weniger erfahrene Kliniker in die Lage versetzen könnte, bessere und schnellere Diagnosen zu stellen.

Die Forscher entwickelten ein Computer-Framework, das in einer spezifischen Sequenz arbeitet, ähnlich wie ein Team, bei dem eine Person ein Objekt lokalisiert und eine andere es inspiziert. Zuer{%%s} zuerst verwendet das System einen hochentwickelten Algorithmus, um die MRT-Bilder zu scannen und eine präzise Umrandung um den Meniskus zu zeichnen, wodurch er vom umliegenden Knochen und der Flüssigkeit getrennt wird. Dieser Schritt ist entscheidend, da er dem Computer genau sagt, wo er suchen soll, während der Rest des Knies ignoriert wird. Sob sobald der Meniskus isoliert ist, untersucht ein zweiter Teil des Systems das isolierte Bild, um die Verletzung zu klassifizieren. Er ordnet den Zustand in eine von drei Kategorien ein: gesund, degenerativ (mit Anzeichen von Verschleiß) oder ein Grad-III-Riss (ein vollständiger Riss, der oft eine Operation erfordert). Das System wurde mit Daten aus 608 Knie-Scans trainiert, die über vier Jahre hinweg gesammelt wurden und alle mit demselben Typ eines 1,5-Tesla-MRT-Geräts aufgenommen wurden. Die Bilder enthielten sowohl Frontal- als auch Seitenansichten, was es dem Computer ermöglichte, den Meniskus aus mehreren Blickwinkeln zu sehen.

Als die Forscher das System allein testeten, waren die Ergebnisse gemischt, aber vielversprechend. Der Computer war sehr gut darin, den Meniskus zu finden, wenn dieser gesund war, und konnte ihn in den meisten Fällen erfolgreich umranden. Wenn der Meniskus jedoch verletzt war, hatte der Computer Schwierigkeiten, die Umrandung so präzise zu zeichnen, da Risse die Form und Textur des Gewebes verändern, was die Unterscheidung vom Hintergrund erschwert. Trotz dieser Schwierigkeiten bei der Umrandung war die Fähigkeit des Systems, die Verletzung zu diagnostizieren, ordentlich. Wenn die Ansichten aus der Frontal- und Seitenperspektive kombend wurden, identifizierte der Computer korrekt, ob ein Meniskus gerissen war oder nicht, in etwa 74 Prozent der Fälle. Er war besser darin, Risse in der Frontalansicht des Knies zu erkennen als in der Seitenansicht. Während das System allein nicht perfekt zwischen leichtem Verschleiß und einem vollen Riss unterscheiden konnte, zeigte es eine klare Fähigkeit, schwere Verletzungen zu kennzeichnen.

Der bedeutendste Teil der Studie war jedoch nicht nur, wie der Computer allein performte, sondern wie er menschlichen Ärzten half. Die Forscher rekrutierten zwei junge orthopädische Assistenzärzte, die jeweils weniger als drei Jahre Erfahrung im Lesen von muskuloskelettalen Bildern hatten, um einen Satz von 100 Knie-Fällen zu diagnostizieren. Zuerst betrachteten die Ärzte die Scans ohne Hilfe. Später, nach einer zweiwöchigen Pause, um sicherzustellen, dass sie sich nicht an die Fälle erinnerten, betrachteten sie dieselben Scans erneut, diesmal mit der Unterstützung des Computers. Der Computer lieferte ihnen einen Wahrscheinlichkeitswert, der angab, wie wahrscheinlich ein Riss war, zusammen mit einer visuellen Karte, die die spezifischen Bereiche des Meniskus hervorhob, die der Computer als verdächtig einstufte.

Die Ergebnisse dieser Mensch-Maschine-Partnerschaft waren beeindruckend. Wenn die jungen Ärzte allein arbeiteten, erreichten sie einen AUC von 0,64. Wenn sie die Anleitung des Computers nutzten, verbesserte sich ihre Leistung auf einen AUC von 0,78. Viel wichtiger war, dass der Computer ihnen half, schwerere Risse zu entdecken. Ohne Hilfe übersahen die jungen Ärzte 40 Prozent der Grad-III-Risse; mit der Unterstützung des Computers entdeckten sie 80 Prozent davon. Das Werkzeug machte die Ärzte auch schneller. Die durchschnittliche Zeit für die Diagnose eines einzelnen Falles sank von fast 45 Sekunden auf unter 28 Sekunden, was einer Reduktion um 38 Prozent entspricht. Diese Beschleunigung deutet darauf hin, dass der Computer den Ärzten half, ihre Aufmerksamkeit zu fokussieren, wodurch die Zeit für die Suche nach der Verletzung reduziert wurde. Zusätzlich verbesserte sich die Übereinstimmung zwischen den beiden Ärzten, wenn beide den Computer nutzten, was darauf hindeutet, dass das Werkzeug einen konsistenten Standard bot, der half, ihre individuellen Urteilsschwierigkeiten zu verringern.

Die Studie kommt zu dem Schluss, dass dieses Computersystem zwar noch nicht perfekt genug ist, um einen Spezialisten zu ersetzen, aber als leistungsstarker Assistent dient. Es fungiert als Sicherheitsnetz, insbesondere für weniger erfahrene Kliniker, indem es ihnen hilft, schwere Verletzungen zu entdecken, die sie sonst vielleicht übersehen hätten, und dies schneller zu tun. Die Forscher merkten an, dass die Leistung des Systems durch die Schwierigkeit der genauen Definition der Grenzen des gerissenen Gewebes und durch die subtilen visuellen Ähnlichkeiten zwischen Degeneration und frühen Rissen begrenzt war. Sie wiesen auch darauf hin, dass ihre Studie in einem einzelnen Krankenhaus durchgeführt wurde, was bedeutet, dass das System an Patienten von verschiedenen Standorten und mit verschiedenen Arten von MRT-Geräten getestet werden muss, bevor es weit verbreitet eingesetzt werden kann. Dennoch zeigen die Ergebnisse, dass ein gut konzipiertes Computertools effektiv die menschliche Entscheidungsfindung unterstützen kann, indem es einen langsamen und variablen Prozess in einen schnelleren und zuverlässigeren verwandelt.