Four-grade lumbar foraminal stenosis grading on sagittal T2-weighted MRI: a patient-disjoint evaluation of ordinal modelling, moderate-to-severe auxiliary supervision, and fixed DeiT fusion

Rückenschmerzen sind eine universelle menschliche Erfahrung, die oft auf eine Verengung der kleinen Öffnungen in der Wirbelsäule zurückzuführen ist, durch die die Nerven austreten. Ärzte nennen dies lumbale Foramenstenose. Um dies zu erkennen, verwenden sie typischerweise die Magnetresonanztomographie, oder MRT, die detaillierte Bilder der Weichteile des Körpers erstellt. In einer Standarduntersuchung betrachten Ärzte Bilder, die von der Seite aufgenommen wurden, sogenannte sagittale Ansichten, um zu beurteilen, wie eng diese Nervenkanäle sind. Sie ordnen den Zustand in der Regel in vier Stufen ein: normal, leicht, moderat oder schwer. Diese Einstufung ist entscheidend, da sie die Behandlung bestimmt, beruht jedoch darauf, dass ein menschlicher Arzt auf einen Bildschirm starrt und eine Ermessensentscheidung trifft.

In jüngster Zeit gab es das Bestreben, diese MRT-Untersuchungen schneller und weniger belastend für die Patienten zu gestalten. Ein Weg besteht darin, sich nur auf den spezifischen Typ des Bildes zu konzentrieren, der Flüssigkeit und die Gesundheit der Nerven am besten darstellt, oft als T2-gewichtete Aufnahme bezeichnet, anstatt eine vollständige Palette verschiedener Bildtypen durchzuführen. Eine große Frage blieb jedoch: Kann ein Computer lernen, diese vier Schweregrade allein durch den Blick auf diese spezifischen, gestrafften Bilder einzustufen? Während Computer bereits darauf trainiert wurden, dies anhand eines anderen Bildtyps zu tun, war unklar, ob dieselbe Logik funktionieren würde, wenn sich das Bild selbst ändert. Die Herausforderung besteht darin, dass die vier Grade nicht einfach nur zufällige Kategorien sind; sie sind eine Leiter. Ein Fehler, der einen leichten Fall mit einem normalen verwechselt, ist anders als ein Fehler, der einen schweren Fall mit einem moderaten verwechselt. Ein Computer muss diese Reihenfolge verstehen, um wirklich hilfreich zu sein.

Ein Forscher namens Wuke Peng setzte sich zum Ziel, diese Frage zu beantworten, indem er einen Computer lehrte, diese Wirbelsäulenzustände unter Verwendung nur der Seitenansichts-Bilder einzustufen. Die Studie umfasste fast dreitausend spezifische Regionen der Wirbelsäule, die von 468 verschiedenen Patienten stammten. Dem Computer wurden diese Bilder gezeigt und er wurde gebeten, sie in die vier Kategorien zu sortieren. Um sicherzustellen, dass die Ergebnisse vertrauenswürdig waren, verwendete der Forscher eine strenge Testmethode, bei der der Computer an einigen Patienten trainiert und an völlig anderen, ihm zuvor unbekannten Patienten getestet wurde, wobei dieser Prozess fünfmal wiederholt wurde, um sicherzustellen, dass die Ergebnisse konsistent waren.

Die Studie testete mehrere verschiedene Ansätze, um zu sehen, welcher am besten funktionierte. Ein Ansatz behandelte die vier Grade als einfache, unzusammenhängende Etiketten. Ein anderer Ansatz versuchte, dem Computer beizubringen, dass die Grade eine Sequenz darstellten, wie etwa Stufen auf einer Leiter. Ein dritter Gedanke bestand darin, dem Computer während des Trainings einen Hinweis zu geben: ein einfaches Signal, das ihm mitteilt, ob ein Fall in den moderaten oder schweren Bereich fällt, ohne ihm die genaue Einstufung zu verraten. Die Forscher testeten auch, ob die Kombination zweier verschiedener Arten von Computer-Visionssystemen – eines, das auf kleine Details achtet, und eines, das das Gesamtbild betrachtet – ein besseres Ergebnis liefern würde als entweder eines allein.

Die Ergebnisse zeigten, dass es nicht den einen magischen Trick gibt, der für jede Situation funktioniert. Der Ansatz, die Grade als Sequenz zu behandossen, half tatsächlich, wenn er mit einem bestimmten Typ von Computersystem kombiniert wurde, was seine Fähigkeit verbesserte, zwischen den Stufen zu unterscheiden. Derselbe Ansatz führte jedoch dazu, dass ein anderes, moderneres Computersystem schlechter abschnitt. Ähnlich verhielt es sich mit dem zusätzlichen Hinweis über moderate- bis schwere Fälle, der in einigen Setups half, in anderen jedoch die Leistung beeinträchtigte. Dies deutet darauf hin, dass das bloße Hinzufügen komplexerer Regeln oder zusätzlicher Hinweise einen Computer nicht automatisch intelligenter macht; die Regeln müssen auf den spezifischen Typ des verwendeten Computers abgestimmt sein.

Die bedeutendste Entdeckung betraf die Frage, wie diese verschiedenen Computersysteme zusammenarbeiten. Als die Forscher die Ausgabe eines Standard-Computer-Visionssystems mit einem fortschrittlicheren System kombinierten, das darauf trainiert worden war, die Sequenz der Grade zu verstehen, war das Ergebnis eine erhebliche Verbesserung. Diese Kombination, die eine feste Regel zur Verschmelzung ihrer Meinungen nutzte, trieb die Genauigkeit der Einstufung auf ein neues Hoch. Das kombinierte System identifizierte den Schweregrad der spinalen Verengung in etwa 75 Prozent der Fälle korrekt, was einen bemerkenswerten Sprung gegenüber den Standalone-Systemen darstellte. Es reduzierte zudem die durchschnittliche Größe der vom Computer gemachten Fehler.

Entscheidend war, dass die Studie zeigte, dass der Erfolg dieses kombinierten Systems nicht von dem zusätzlichen Hinweis auf moderate- bis schwere Fälle abhing. Tatsächlich, als die Forscher diesen Hinweis zu dem modernen Computersystem hinzufügten, verschlechterte er die Standalone-Leistung. Die Kombination der zwei verschiedenen Computersysteme war in der Lage, diese Fehler zu korrigieren und die Leistung zu retten, was darauf hindeutet, dass die beiden Systeme die Bilder auf komplementäre Weise betrachteten. Ein System könnte gut darin gewesen sein, eine bestimmte Textur zu erkennen, während das andere besser darin war, die Gesamtform der Nervenöffnung zu erkennen. Zusammen deckten sie die blinden Flecken des jeweils anderen ab.

Die Studie untersuchte auch, worauf der Computer tatsächlich „blickte“, wenn er seine Entscheidungen traf. Durch die Visualisierung der Bildteile, die die Entscheidung des Computers beeinflussten, bestätigten die Forscher, dass das System sich auf die relevanten anatomischen Bereiche konzentrierte, wie etwa die Nervenöffnungen selbst, und nicht auf zufälliges Rauschen. Dies gab Vertrauen, dass der Computer die richtigen Merkmale erlernte, um seine Urteile zu fällen.

Letztendlich zeigt diese Forschung, dass es möglich ist, ein zuverlässiges Computersystem zu bauen, das die lumbale Foramenstenose unter Verwendung nur der gestrafften Seitenansichts-Bilder einzustufen, die Ärzte zunehmend verwenden, um Zeit zu sparen. Der Weg zum Erfolg ist jedoch keine gerade Linie des Hinzufügens von mehr Funktionen. Er erfordert stattdessen eine sorgfältige Abstimmung der Methode der Computerlehre auf den spezifischen Typ des verwendeten Computers und die Erkenntnis, dass die Kombination verschiedener Arten von Visionssystemen kraftvoller sein kann als jedes einzelne System allein. Die Arbeit bietet eine solide technische Grundlage für zukünftige Arbeitsabläufe in der Medizin, in denen schnellere, einfachere MRT-Scans dennoch präzise, automatisierte Diagnosen liefern könnten, was potenziell die Zeit verkürzt, die Patienten im Scanner verbringen müssen, ohne die Qualität der Versorgung zu beeinträchtigen.