Automated 3D CT Segmentation of Intercostal Muscles Using Bayesian U-Net: a retrospective technical validation study with exploratory pulmonary function analysis

Der menschliche Brustkorb ist eine komplexe Maschine, ein Käfig aus Knochen und Knorpel, der lebenswichtige Organe schützt, während er sich mit jedem Atemzug ausdehnt und zusammenzieht. In diesem Käfig, zwischen den Rippen, liegen dünne, gebogene Muskelschichten, die als Interkostalmuskeln bekannt sind. Diese kleinen Gewebebänder sind essenziell für das Leben; sie arbeiten zusammen mit dem Zwerchfell, um Luft in die Lungen zu ziehen und sie wieder herauszupressen, und spielen eine entscheidende Rolle bei allem, vom sanften Seufzer bis hin zum kräftigen Husten, der die Atemwege befreit. Wenn diese Muskeln schwächer werden oder sich verändern, kann die Fähigkeit zu atmen leiden, doch ihre Messung war schon lange ein Problem für Ärzte. Da sie so dünn, gebogen und um den Brustkorb gewickelt sind, sind sie auf Standard-medizinischen Scans unglaublich schwer klar zu erkennen. Traditionelle Methoden verlassen sich oft auf zweidimensionale Momentaufnahmen oder Ultraschall, die das vollständige Bild dessen, wie viel Muskelmasse tatsächlich vorhanden ist oder wie gesund diese ist, verpassen können.

Jahrzehntelang war der einzige Weg, eine vollständige dreidimensionale Karte dieser Muskeln zu erhalten, darin zu bestehen, dass ein menschlicher Experte jeden einzelnen manuell auf einem Computerbildschirm nachzeichnet – ein Prozess, der so mühsam und zeitaufwendig war, dass er für den routinemäßigen medizinischen Gebrauch unpraktikabel war. Diese Einschränkung bedeutete, dass Ärzte zwar die Lungen sehen konnten, aber oft nicht die Kraft der sehr Muskeln, die sie antreiben, genau beurteilen konnten. Eine neue Herangehensweise entsteht jedoch, die fortschrittliche Computer Vision mit einer speziellen Art von künstlicher Intelligenz kombiniert, die für den Umgang mit Unsicherheit entwickelt wurde. Indem Forscher den Computer lehren, diese schwer fassbaren Muskelfasern in hochauflösenden Scans zu erkennen, hoffen sie, einen neuen Weg zu erschließen, um die respiratorische Gesundheit zu verstehen, indem sie den physischen Zustand dieser Muskeln direkt mit der Fähigkeit einer Person zu atmen verknüpfen.

In einer kürzlich durchgeführten Studie setzten sich Forscher das Ziel, dieses Problem zu lösen, indem sie ein Computerprogramm entwickelten, das in der Lage ist, die Interkostalmuskeln automatisch in drei Dimensionen zu finden und zu messen. Sie konzentrierten sich auf eine spezifische Art von medizinischem Scan, die sogenannte dünnschichtige Thorax-Computertomographie (CT), die ein detailliertes, hochauflösendes 3D-Bild des Brustkorbs erstellt. Das Team trainierte ihre Software mit einer Methode namens Bayesian U-Net, einem hochentwickelten Algorithmus, der nicht nur lernt, Formen zu identifizieren, sondern auch berechnet, wie sicher er sich bei seinen eigenen Entscheidungen ist. Diese Funktion ist entscheidend, da sie es dem System ermöglicht, Bereiche zu kennzeichnen, in denen es unsicher ist, was Experten dazu veranlasst, genau diese Stellen zu überprüfen und zu korrigieren. Dieser Zyklus aus dem Raten des Computers, der Korrektur durch den Menschen und dem Lernen des Computers aus diesen Korrekturen setzte sich fort, bis das System hochgradlich geschickt darin war, das zarte Muskelgewebe von dem umliegenden Fett, Blutgefäßen und Lungengewebe zu unterscheiden.

Um zu testen, ob dieses System tatsächlich funktionierte, wandten die Forscher es auf eine große Sammlung von Thorax-Scans von 145 Patienten an. Dies waren keine idealen Lehrbuchfälle; die Scans umfassten Menschen mit Lungentumoren, Pneumonie, Flüssigkeit um die Lungen und sogar postoperativen Veränderungen, was sicherstellte, dass der Test die unordentliche Realität der medizinischen Praxis widerspiegelte. Der Computer verarbeitete jeden Scan in etwa fünf Minuten – eine Aufgabe, die ein menschlicher Experte Stunden oder Tage gekostet hätte. Als die Forscher die Messungen des Computers mit der manuellen Arbeit erfahrener Radiologen verglichen, waren die Ergebnisse bemerkenswert nah beieinander. Die Fähigkeit des Computers, den vom Menschen gezeichneten Umrissen zu entsprechen, war vergleichbar mit dem Grad der Übereinstimmung, der zwischen zwei unabhängig voneinander arbeitenden menschlichen Experten zu sehen ist. In spezifischen Tests auf der Höhe der sechsten Rippe, bei denen die Muskeln in ihrer Gesamtheit gemessen wurden, unterschieden sich die Volumenabschätzungen des Computers von den menschlichen Messungen um weniger als einen Kubikzentimeter – eine Fehlermarge, die so klein ist, dass sie kaum wahrnehmbar ist.

Über den Beweis hinaus, dass der Computer die Muskeln finden konnte, untersuchten die Forscher auch, was diese Messungen für die Gesundheit eines Patienten bedeuten. Die Forscher betrachteten 95 Patienten, die auch Standard-Atemtests unterzogen worden waren, welche messen, wie viel Luft sie aus ihren Lungen herauspressen können und wie schnell sie dies tun können. Sie fanden eine klare, positive Verbindung zwischen der Menge an Interkostalmuskelgewebe, die der Computer detektierte, und der Atemkapazität der Patienten. Insbesondere Patienten mit größeren Volumina dieser Muskeln tendierten dazu, bessere Ergebnisse bei Tests zu erzielen, die die Gesamtmenge der Luft messen, die sie ausatmen können. Der Zusammenhang war noch stärker, wenn der Computer sich nur auf das magere Muskelgewebe konzentrierte und das Fett herausfilterte, das oft in alternde oder erkrankte Muskeln infiltriert. Während die Verbindung dazu, wie schnell eine Person ausatmen konnte, nach Berücksichtigung von Faktoren wie Alter und Körpergröße weniger konsistent war, deutete das allgemeine Muster darauf hin, dass die Messungen des Computers biologisch bedeutsam waren und die reale physische Funktion widerspiegelten.

Die Studie hob auch hervor, wo das System noch vor Herausforderungen steht. Der Computer schloss gelegentlich ein kleines Stück benachbartes Gewebe, wie etwa ein kleines Blutgefäß oder ein Fettpolster, in die Zählung ein, oder er übersah manchmal einen kleinen Abschnitt des Muskels in den unteren Teilen des Brustkorbs, wo Fettveränderungen häufig vorkommen. Diese Fehler waren jedoch geringfügig und beinhalteten nicht die Verwechslung des Muskels mit ernsthaften Lungenerkrankungen wie Pneumonie oder Tumoren. Die Forscher merkten an, dass das System dazu neigte, etwas konservativer zu sein als menschliche Experten und in einigen Bereichen etwas kleinere Volumina zu messen, wahrscheinlich weil der Computer strikt der sichtbaren Kante des Muskels folgte, während Menschen möglicherweise eine kleine Marge der Unsicherheit miteinbezogen. Trotz dieser kleinen Unvollkommenheiten deutet die Konsistenz der Ergebnisse über verschiedene Krankenhäuser und verschiedene Patiententypen hinweg darauf hin, dass die Technologie robust genug ist, um in vielfältigen medizinischen Umgebungen eingesetzt zu werden.

Diese Arbeit stellt einen bedeutenden Fortschritt in der medizinischen Bildgebung dar, indem sie die Beurteilung der Atemmuskulatur von einer manuellen, arbeitsintensiven Aufgabe zu einem automatisierten, schnellen Prozess überführt. Durch die erfolgreiche dreidimensionale Kartierung dieser schwer zu sehenden Muskeln haben die Forscher ein Werkzeug bereitgestellt, das Ärzten helfen könnte, besser zu verstehen, warum einige Patienten Schwierigkeiten beim Atmen haben, selbst wenn ihre Lungen im Scan frei erscheinen. Die Ergebnisse legen nahe, dass die Gesundheit der Interkostalmuskeln ein lebenswichtiger Teil des respiratorischen Puzzles ist, der nun mit Präzision gemessen werden kann. Während die Studie noch nicht beweist, dass diese Methode die klinische Behandlung sofort verändern wird, schafft sie ein zuverlässiges Fundament für die zukünftige Forschung darüber, wie die Muskelgesundheit mit Krankheiten wie chronisch obstruktiver Lungenerkrankung, der Erholung nach Operationen und dem allgemeinen Rückgang der Atemfunktion im Alter zusammenhängt. Die Fähigkeit, diese Muskeln automatisch zu sehen und zu messen, öffnet die Tür zu einem tieferen Verständnis der menschlichen Respiration und verwandelt eine einst unsichtbare Komponente unserer Anatomie in eine klare, quantifizierbare Kennzahl der Gesundheit.