A hybrid radiomics–3D CNN model using non-contrast CT for esophagogastric variceal bleeding risk prediction in cirrhosis
Diese Studie entwickelte und validierte ein hybrides Radiomics-3D-CNN-Modell mittels nativer CT, das das Risiko für ösophageal-gastrale Varizenblutungen bei zirrhotischen Patienten effektiv vorhersagt und somit ein vielversprechendes nicht-invasives Instrument zur Unterstützung prophylaktischer Behandlungsentscheidungen bietet.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Leberzirrhose ist ein Zustand, bei dem die Leber vernarbt und steif wird, ein Zustand, der das Blut dazu zwingt, neue, gefährliche Wege durch den Körper zu finden. Eine der schwerwiegendsten Folgen dieses Drucks ist die Schwellung der Venen in der Speiseröhre und im Magen, bekannt als Varizen. Diese geschwollenen Venen sind fragil und können ohne Vorwarnung platzen, was eine lebensbedrohliche Blutung verursacht, die einen erheblichen Teil der Betroffenen tötet. Derzeit ist die Standardmethode zur Überprüfung dieser Gefahr eine Endoskopie, ein Verfahren, bei dem eine Kamera durch den Rachen geführt wird. Obwohl diese Methode effektiv ist, ist sie für den Patienten invasiv, unangenehm und schwierig häufig zu wiederholen, insbesondere für Menschen mit anderen gesundheitlichen Komplikationen. Ärzte benötigen eine Möglichkeit, das Risiko frühzeitig und regelmäßig zu erkennen, ohne die Patienten wiederholt invasiven Untersuchungen auszusetzen oder den Risiken von Kontrastmitteln ausgesetzt zu sein, die bei Standarduntersuchungen verwendet werden.
Ein Forschungsteam des Handan Central Hospital hat einen anderen Weg erkundet, indem es eine Art medizinischer Bildgebung nutzte, die bereits weit verbreitet und sicher ist: eine kontrastmittelfreie Computertomographie (CT) des Abdomens. Im Gegensatz zu den Standarduntersuchungen, die jodhaltige Kontrastmittel verwenden, um Blutgefäße zum Leuchten zu bringen, stützt sich diese Technik auf die natürliche Dichte von Geweben. Während diese reinen Scans die geschwollenen Venen nicht direkt zeigen können, vermuteten die Forscher, dass die subtilen Veränderungen in der Leber, der Milz und den umliegenden Blutgefäßen die Hinweise enthalten könnten, die zur Vorhersage einer Blutung nötig sind. Um diese verborgenen Muster zu entschlüsseln, kombinierten sie zwei leistungsstarke Wege der Bildanalyse: eine, die spezifische Texturen und Formen misst, und eine andere, die künstliche Intelligenz nutzt, um eigenständig komplexe Muster zu erlernen.
Die Studie konzentrierte sich auf 137 Patienten mit Leberzirrhose, die diese kontrastmittelfreien CT-Scans erhalten hatten. Die Forscher teilten die Gruppe in zwei Kategorien basierend darauf ein, was im nächsten Jahr geschah: 47 Patienten erlitten eine varikale Blutung, während 90 dies nicht taten. Das Team brachte einem Computer bei, sieben spezifische Bereiche im Scan zu betrachten, darunter die Leber, die Milz, die Speiseröhre, den Magen und drei große Venen. Sie verwendeten eine Methode namens Radiomics, um die Bilder in tausende winzige, messbare Details zu zerlegen, wie etwa wie rau die Textur der Milz erschien oder die exakte Form der Oberfläche der Leber. Gleichzeitig nutzten sie ein dreidimensionales Modell der künstlichen Intelligenz, eine Art Deep-Learning-Netzwerk, um dieselben Bilder zu scannen und sein eigenes Set an Merkmalen zu erlernen, die ein Mensch vielleicht übersehen würde.
Die Forscher entwickelten daraufhin ein „Fusionsmodell“, das die detaillierten Messungen aus dem Radiomics-Ansatz mit den komplexen Mustern kombinierte, die durch die künstliche Intelligenz erlernt wurden. Sie testeten dieses kombinierte System, indem sie es an den meisten der Patienten trainierten und seine Genauigkeit an den restlichen überprüften, wobei sie diesen Prozess fünfmal wiederholten, um sicherzustellen, dass die Ergebnisse zuverlässig waren. Das Ergebnis war ein Werkzeug, das zwischen Patienten, die bluten würden, und solchen, die nicht bluten würden, mit einer hohen Leistungsfähigkeit unterscheiden konnte. Das Modell erreichte einen AUC-Wert von 0,88. Wichtiger noch: Es war sehr gut darin, Gefahren auszuschließen; das Modell erreichte einen AUC-Wert von 0,94 bei der Identifizierung von Patienten mit geringem Risiko. Dieses hohe Maß an Sicherheit bei der Identifizierung sicherer Patienten ist entscheidend, da es Ärzten ermöglichen könnte, unnötige invasive Eingriffe bei jenen zu vermeiden, die sie nicht benötigen.
Die Studie untersuchte auch, wie gut die Vorhersagen des Modells mit der Realität übereinstimmten. Nachdem die Zahlen kalibriert worden waren, um sicherzustellen, dass sie vertrauenswürdig sind, zeigte das Modell, dass seine Wahrscheinlichkeitsschätzungen hochgradig zuverlässig waren. Als die Forscher testeten, ob der Einsatz dieses Werkzeugs Ärzten tatsächlich helfen würde, bessere Entscheidungen zu treffen, fanden sie heraus, dass es einen klaren Vorteil gegenüber der bloßen Behandlung aller oder der Behandlung von niemandem bot. Das Modell schnitt besser ab als die Verwendung der Texturmessungen oder der künstlichen Intelligenz allein, was darauf hindeutet, dass die beiden Methoden unterschiedliche, komplementäre Informationen liefern. Die Texturmessungen erfassten die bekannten physischen Veränderungen der Organe, während die künstliche Intelligenz subtile räumliche Muster fand, die das menschliche Auge oder einfache Messungen nicht leicht beschreiben konnten.
Trotz dieser vielversprechenden Ergebnisse weisen die Forscher vorsichtig darauf hin, dass es sich um eine Pilotstudie mit einer relativ kleinen Gruppe von Patienten aus einem einzigen Krankenhaus handelt. Das Modell wurde weder gegen die heute von Ärzten verwendeten klinischen Standard-Scores getestet, noch wurde es an einer größeren, vielfältigen Gruppe von Menschen getestet, um zu sehen, ob es überall funktioniert. Der Prozess der Abgrenzung der spezifischen Körperteile, die der Computer analysieren sollte, wurde manuell von Ärzten durchgeführt, was Zeit in Anspruch nimmt und leicht von Person zu Person variieren kann. Die Autoren schlagen vor, dass dieser Ansatz zwar großes Potenzial zeigt, ein sicherer, wiederholbarer und nicht-invasiver Weg zur Überprüfung des Blutungsrisikos zu sein, aber größere Studien erforderlich sind, bevor er routinemäßig in Kliniken eingesetzt werden kann. Für den Moment zeigt ihre Arbeit, dass selbst ein einfacher CT-Scan, wenn er durch die Linse fortgeschrittener Datenanalyse betrachtet wird, kritische Informationen über die zukünftige Gesundheit eines Patienten offenbaren kann.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.