MRI Radiomics Meets Artificial Intelligence: Development and Validation of a Random Forest Model for Brain Tumor Classification in Sudanese Patients

Die unsichtbaren Hinweise in einem Gehirnscan

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel zu lösen, aber die einzigen Beweise, die Sie haben, sind eine Schwarz-Weiß-Fotografie. Manchmal zeigt das Foto einen klaren, harmlosen Klumpen; ein anderes Mal zeigt es ein gefährliches, wachsendes Monster. Das Problem ist, dass diese beiden Dinge dem bloßen Auge überraschend ähnlich sehen können. Dies ist die tägliche Herausforderung für Ärzte, die herauszufinden versuchen, ob ein Hirntumor „benigne“ (gutartig) oder „maligne“ (bösartig) ist. Sie verlassen sich auf MRT-Scans, die wie superstarke Kameras sind, die mit Magneten statt mit Licht Bilder aus dem Inneren Ihres Kopfes aufnehmen. Aber das menschliche Auge kann ermüden, und manchmal schauen zwei Ärzte auf dasselbe Bild und sind sich uneinig darüber, was sie sehen.

Um dies zu beheben, haben Wissenschaftler eine neue Art der Detektivarbeit namens Radiomics erfunden. Stellen Sie sich einen Standard-MRT-Scan wie ein Gemälde vor. Ein Radiologe betrachtet das Gemälde und sagt: „Das sieht wie ein Tumor aus.“ Radiomics hingegen ist so, als würde man dieses Gemälde in Millionen winziger Pixel zerlegen und dann die exakte Graustufe, die Textur und die Form eines jeden einzelnen Pixels messen. Es verwandelt das Bild in eine riesige Tabelle voller Zahlen, die das menschliche Auge nicht sehen kann, die ein Computer aber lesen kann. Indem sie diese Zahlen in eine Künstliche Intelligenz (KI) einspeisen – speziell eine Art computergestütztes Gehirn namens Random Forest – hoffen Wissenschaftler, den Computer darauf zu trainieren, die verborgenen Muster zu erkennen, die den Unterschied zwischen einem harmlosen Klumpen und einem gefährlichen markieren, ohne den Patienten aufschneiden zu müssen. Diese Arbeit stellt eine einfache, aber lebenswichtige Frage: Kann diese digitale Detektivarbeit Ärzten in Sudan helfen, bessere Entscheidungen über Hirntumore zu treffen?

Der digitale Detektiv in Sudan

In dieser Studie beschloss ein Team von Forschern der Alzaiem Alazhari University in Sudan, ihren eigenen digitalen Detektiv zu bauen. Sie wollten sehen, ob sie ein Computermodell entwickeln können, das Ärzten in Sudan hilft, den Unterschied zwischen benignen und malignen Hirntumoren allein durch das Betrachten von MRT-Scans zu erkennen. Sie sammelten eine Gruppe von 120 Patienten, bei denen bereits Hirntumore diagnostiziert worden waren. Die Hälfte von ihnen (60 Patienten) hatte benigne Tumore, und die andere Hälfte (60 Patienten) hatte maligne Tumore. Dies waren reale Fälle, die durch die Untersuchung des Gewebes unter einem Mikroskop bestätigt wurden, sodass die Forscher genau wussten, welche Gruppe welche war.

Zuer Sie das Team die Daten vorbereiten. Sie nahmen die MRT-Bilder und bereinigten sie, indem sie sicherstellten, dass Farben und Größen konsistent waren – so ähnlich wie das Anpassen von Helligkeit und Kontrast bei einem Foto, damit alles gleich aussieht. Dann zeichnete ein erfahrener Radiologe manuell eine Linie um den Tumor auf jedem Bild, um dem Computer genau zu sagen, wo die Problemstelle lag. Sobald die Tumore isoliert waren, verwendeten sie ein spezielles Computerprogramm, um über 100 verschiedene „Hinweise“ aus jedem Tumor zu extrahieren. Diese Hinweise beinhalteten Dinge wie die Beschaffenheit der Tumoroberfläche, wie die grauen Pixel angeordnet waren und wie intensiv die Farben waren.

Aus dieser riesigen Liste von Hinweisen wählte das Team die sechs besten heraus – die zuverlässigsten Verdächtigen –, um sie in ihrem Modell zu verwenden. Dann brachten sie einen Random Forest-Algorithmus (eine Art maschinelles Lernen, das wie eine Gruppe von Experten arbeitet, die über eine Entscheidung abstimmen) bei, wie er diese sechs Hinweise nutzt, um vorherzusagen, ob ein Tumor benign oder maligne ist. Sie teilten ihre Daten in zwei Gruppen auf: eine „Trainingsgruppe“, um den Computer zu lehren, und eine „Testgruppe“, um zu sehen, ob der Computer tatsächlich etwas gelernt hat.

Was der Computer fand

Als der Computer seine Abschlussprüfung an der Testgruppe absolvierte, lag er in 71 % der Fälle richtig. Das bedeutet, wenn man dem Modell 100 neue Gehirnscans zeigen würde, würde es den Typ des Tumors bei etwa 71 von ihnen korrekt vorhersagen. Er war besonders gut darin, die gefährlichen zu entdecken, indem er 75 % der malignen Tumore identifizierte (dies wird als Sensitivität bezeichnet). Er war jedoch nicht perfekt; er übersah einige maligne Fälle und war manchmal bei benignen Fällen verwirrt, was zu einer Spezifität von 66,7 % führte. Die Gesamtpunktzahl, bekannt als F1-Score, betrug 0,72, und die Fläche unter der Kurve (AUC), die misst, wie gut das Modell die beiden Gruppen voneinander trennt, lag bei 0,764.

Die Forscher untersuchten auch die Hintergründe der Patienten, um zu sehen, ob Faktoren wie Alter oder Geschlecht bei der Vorhersage des Tumortyps halfen. Sie fanden heraus, dass Alter und Geschlecht keine Rolle spielten; der Computer musste nicht wissen, ob der Patient ein 20-jähriger Mann oder eine 60-jährige Frau war, um eine gute Vorhersage zu treffen. Sie fanden jedoch etwas Interessantes über die Größe des Tumors heraus. Patienten mit größeren Tumoren hatten viel wahrscheinlicher neurologische Symptome (wie Kopfschmerzen oder Schwäche) als Patienten mit kleineren Tumoren. Die Mathematik zeigte diese Verbindung sehr deutlich auf, mit einem p-Wert von weniger als 0,01.

Das Urteil und die Einschränkungen

Die Studie kommt zu dem Schluss, dass die Verwendung von MRT-Radiomics mit einem Random-Forest-Modell ein machbarer Weg ist, um die Klassifizierung von Hirntumoren in Sudan zu unterstützen. Es wird angemerkt, dass dieser Ansatz ein nützliches, nicht-invasives Werkzeug für Ärzte sein könnte, die möglicherweise keinen Zugang zu der fortschrittlichsten Ausrüstung haben, indem er eine Zweitmeinung auf Basis von Zahlen statt nur eines flüchtigen Blicks bietet. Das Modell deutet darauf hin, dass es die klinische Entscheidungsfindung unterstützen und die diagnostische Genauigkeit verbessern kann.

Die Autoren sind jedoch vorsichtig damit, dies als eine fertige Lösung zu bezeichnen. Sie weisen darauf hin, dass ihre Gruppe von 120 Patienten relativ klein ist, und da sie nur Daten aus einem Krankenhaus der Vergangenheit untersucht haben, könnte das Modell bei allen anderen Menschen nicht exakt auf die gleiche Weise funktionieren. Sie stellten auch fest, dass der Computer immer noch Fehler macht, indem er einige maligne Tumore übersieht, was in der Medizin ein ernstes Problem darstellt. Die Forscher schlagen vor, dass dieses Werkzeug, bevor es in Krankenhäusern weit verbreitet eingesetzt werden kann, an viel größeren Personengruppen aus verschiedenen Regionen getestet werden muss. Sie empfehlen zudem, in Zukunft mehr Arten von MRT-Scans einzubeziehen und noch fortschrittlichere Computermethoden zu verwenden. Für den Moment ist diese Studie ein vielversprechender erster Schritt, der zeigt, dass der „digitale Detektiv“ Potenzial hat, aber er benötigt noch mehr Training, bevor er den Fall eigenständig lösen kann.