Clinical and CT radiomics-based differentiation between invasive pulmonary fungal infections and secondary pulmonary tuberculosis

Die menschliche Lunge ist eine komplexe Landschaft, und wenn sie infiziert wird, sendet der Körper oft die gleichen Notsignale aus, unabhängig vom Eindringling. Zwei besonders gefährliche und schwer zu unterscheidende Feinde sind invasive pulmonale Pilzinfektionen und sekundäre pulmonale Tuberkulose. Ersteres ist eine aggressive Pilzinvasion, die in Menschen mit geschwächtem Immunsystem gedeiht und oft jene trifft, die sich in Langzeitbehandlungen befinden oder an schweren Krankheiten leiden. Letzteres ist eine Reaktivierung der Bakterien, die Tuberkulose verursachen, welche jahrelang im Körper ruhen können, bevor sie wieder aufflammen. Beide Erkrankungen können Fieber, Husten und Kurzatmigkeit verursachen, und wenn Ärzte eine Standard-CT-Aufnahme – ein detaillierter 3D-Röntgenbild des Brustkorbs – betrachten, sehen die Bilder oft verblüffend ähnlich aus. Beide Krankheiten können wolkige Flecken, Löcher im Gewebe oder solide Massen erzeugen, die wie Knötchen aussehen. Diese visuelle Verwechslungsgefahr ist gefährlich, da die Behandlungen völlig unterschiedlich sind: Die eine erfordert starke Antimykotika, während die andere spezifische Antibiotika gegen Bakterien benötigt. Das falsche Medikament zu geben kann tödlich sein, doch die Unterscheidung zwischen den beiden beruht oft auf invasiven Biopsien oder dem Warten tagelang auf Laborkulturen – eine Verzögerung, die Patienten verwundbar macht.

Um dieses Problem zu lösen, setzte sich ein Team von Forschern aus Krankenhäusern in China daran, ein digitales Werkzeug zu entwickeln, das sehen kann, was das menschliche Auge übersieht. Sie sammelten Daten von 283 Patienten, aufgeteilt in zwei Gruppen: jene mit bestätigten Pilzinfektionen und jene mit sekundärer Tuberkulose. Das Team sammelte die Krankengeschichten der Patienten, die Ergebnisse der Bluttests und die tatsächlichen CT-Aufnahmen, die während der Erstdiagnose erstellt wurden. Sie wandten daraufhin eine Technik namens Radiomics an, bei der ein medizinisches Bild nicht nur als Bild, sondern als massives Gitter aus Datenpunkten behandelt wird. Während ein Radiologe einen Scan betrachtet, um die Form einer Läsion zu erkennen, misst die Radiomics-Software tausende winziger, unsichtbarer Muster innerhalb dieser Form – Variationen in Textur, Dichte und der Anordnung von Pixeln, die für ein menschliches Auge zu subtil sind. Die Forscher kombinierten diese verborgenen Bildmuster mit spezifischen klinischen Fakten, wie etwa der Frage, ob der Patient über einen langen Zeitraum Breitbandantibiotika eingenommen hatte, sowie den Hämoglobinwerten und der Neutrophilenzahl, einer Art von weißem Blutkörperchen.

Die Forscher entwickelten zuerst ein Modell, das ausschließlich auf den klinischen Informationen basierte. Sie fanden heraus, dass drei Faktoren als starke Indikatoren für eine Pilzinfektion hervorstachen: eine Vorgeschichte der Langzeit-Antibiotikaanwendung, niedrigere Hämoglobinwerte und höhere Neutrophilenzahlen. Dieses klinische Modell war hilfreich, aber es war nicht perfekt. Als Nächstes bauten sie ein separates Modell auf, das nur die aus den CT-Scans extrahierten Radiomics-Daten nutzte. Dieses digitale Modell erwies sich als wesentlich präziser und identifizierte die Pilzinfektionen mit hoher Genauigkeit, indem es die einzigartigen textuellen Fingerabdrücke der Krankheit erkannte. Schließlich führten sie die beiden Ansätze zu einem einzigen, integrierten Werkzeug zusammen. Dieses kombinierte Modell, das sowohl die Blutwerte des Patienten als auch die mikroskopischen Details ihrer Lungen-Scans gewichtet, schnitt am besten ab. In Tests unterschied es die beiden Krankheiten in einer neuen Gruppe von Patienten etwa 84 Prozent der Zeit korrekt, was eine signifikante Verbesserung gegenüber der alleinigen Nutzung klinischer Anzeichen darstellt.

Der wahre Test für dieses neue Werkzeug kam, als die Forscher seine Leistung mit der menschlicher Experten verglichen. Zwei Radiologen, einer mit über fünfzehn Jahren Erfahrung und ein anderer mit sechs Jahren Erfahrung, untersuchten dieselben CT-Scans und klinischen Daten, um ihre eigenen Diagnosen zu stellen. Während der erfahrene Arzt recht gut abschnitt, übertraf das Computermodell sowohl den erfahrenen als als auch den jüngeren Radiologen. Die Studie legt nahe, dass menschliche Ärzte zwar geschickt darin sind, die offensichtlichen Merkmale einer Lungenerkrankung zu erkennen, sie jedoch Schwierigkeiten mit den subtilen, überlappenden Texturen haben, die diese beiden spezifischen Infektionen definieren. Das digitale Modell hingegen wird nicht müde oder abgelenkt; es misst konsistent die tausenden Datenpunkte, die das wahre Wesen der Krankheit definieren.

Diese Forschung behauptet nicht, ein magisches Heilmittel oder eine perfekte Lösung gefunden zu haben, die alle Ungewissheit beseitigt. Die Autoren räumen ein, dass ihr Werkzeug an einer spezifischen Patientengruppe getestet wurde und dass die untersuchten Pilzinfektionen drei verschiedene Typen umfassten, die sich leicht unterschiedlich verhalten könnten. Sie merken auch an, dass die Methode auf qualitativ hochwertigen Scans und standardisierten Daten basiert, die zwischen Krankenhäusern variieren können. Dennoch bieten die Ergebnisse einen konkreten Weg nach vorn. Indem es eine objektive, quantitative Zweitmeinung bereitstellt, könnte dieses kombinierte Modell Ärzten helfen, schneller und präzisere Entscheidungen zu treffen. Für einen Patienten, der mit einer verwirrenden Lungeninfektion in einem Krankenhausbett liegt, stellt dieses Werkzeug einen Weg dar, den visuellen Nebel zu durchdringen und sicherzustellen, dass er die richtige Behandlung früher erhält und die tödlichen Verzögerungen vermeidet, die durch das Raten zwischen zwei sehr ähnlichen Feinden entstehen.