Development and Validation of a Deep Learning Ensemble Model to Predict Drug-resistant Tuberculosis From Initial Chest X-ray Image

Tuberkulose bleibt eine der beständigsten und tödlichsten Infektionskrankheiten des Planeten, die jährlich über eine Million Menschenleben fordert. Während die moderne Medizin Wege entwickelt hat, die Krankheit zu behandeln, zeichnet sich eine wachsende Bedrohung ab: arzneimittelresistente Stämme. Dies sind Bakterien, die gelernt haben, in den Standardmedikamenten zu überleben, die dazu verwendet werden, sie abzutöten. Die schnelle Identifizierung dieser resistenten Stämme ist ein Wettlauf gegen die Zeit. Wenn ein Patient mit einer arzneimittelresistenten Version infiziert ist, aber mit Standardmedikamenten behandelt wird, breitet sich die Krankheit weiter aus und der Zustand des Patienten verschlechtert sich, was oft zum Tod führt. Der derzeitige Goldstandard für die Diagnose besteht darin, eine Probe zu entnehmen und sie in einem Labor zu testen, um zu sehen, welche Medikamente wirken, aber dieser Prozess kann Wochen dauern. In der Welt der Infektionskrankheiten können Wochen der Unterschied zwischen Eindämmung und einem weit verbreiteten Ausbruch sein.

Forscher haben lange vermutet, dass die in einer Röntgenaufnahme des Brustkorbs sichtbaren Muster Hinweise darauf enthalten könnten, ob ein Patient einen arzneimittelresistenten Stamm hat. Eine Thorax-Röntgenaufnahme ist ein einfaches, weit verbreitetes Bild, das die Lungen zeigt. Während ein menschlicher Arzt diese Bilder betrachtet, um zu sehen, ob die Lungen infiziert sind, kann er nicht einfach nur durch das Betrachten zwischen einer Standardinfektion und einer medikamentenresistenten unterscheiden. Das menschliche Auge ist jedoch nicht das einzige Werkzeug, das in der Lage ist, Muster zu erkennen. Eine neue Studie hat die Kraft der künstlichen Intelligenz genutzt, um diese Bilder auf eine Weise zu analysieren, die über die menschliche Leistungsfähigkeit hinausgeht, mit dem Ziel, die subtilen Anzeichen von Arzneimittelresistenz unmittelbar nach der Ankunft eines Patienten in einer Klinik zu erkennen.

Ein Forscherteam setzte sich zum Ziel, ein Computersystem zu entwickeln, das als Frühwarnsignal fungieren kann. Sie haben keine neue Maschine oder einen neuen Typ von Scanner entwickelt. Stattdessen nutzten sie eine massive Sammlung bestehender Thorax-Röntgenbilder und die bestätigten Krankenakten der Patienten, die diese Aufnahmen gemacht hatten. Diese Daten stammten aus einem globalen Projekt namens TB Portals, das Informationen von Tuberkulosepatienten aus der ganzen Welt sammelt. Die Forscher wählten über 7.000 Bilder von Patienten aus Osteuropa und Zentralasien aus und stellten sicher, dass sie eine klare Aufzeichnung darüber hatten, ob jeder Patient einen arzneimittelempfindlichen oder einen arzneimittelresistenten Stamm hatte. Sie teilten diese Daten in Gruppen auf: eine Gruppe, um den Computer zu lehren, eine, um seine Fortschritte zu überprüfen, und eine letzte Gruppe, um seine endgültigen Fähigkeiten zu testen, ganz ähnlich wie ein Schüler, der vor der echten Prüfung eine Übungsprüfung ablegt.

Um ihr System aufzubauen, verließen sich die Forscher nicht auf ein einzelnes Computerprogramm. Stattdessen erschufen sie ein Ensemble, also ein Team aus verschiedenen Modellen der künstlichen Intelligenz, die zusammenarbeiten. Sie trainierten drei verschiedene Deep-Learning-Modelle – komplexe Computerprogramme, die darauf ausgelegt sind, Muster in Bildern zu erkennen – anhand der Thorax-Röntgenaufnahmen. Diese Modelle lernten, tausende winziger Details in den Lungenbildern zu identifizieren, die das menschliche Auge vielleicht übersehen würde. Parallel dazu nutzte das Team eine andere Methode namens Radiomics, die ein Bild in hunderte messbare mathematische Merkmale wie Textur und Form zerlegt. Sie bezogen auch Basisinformationen über die Patienten ein, wie etwa Alter, Geschlecht und ob sie andere gesundheitliche Probleme wie Diabetes oder HIV hatten.

Die Forscher kombinierten dann die Erkenntnisse aus all diesen verschiedenen Quellen. Sie nahmen die Vorhersagen aus den drei bildlesenden Modellen, die Radiomics-Analyse und die Basisgesundheitsdaten der Patienten und speisten sie in einen finalen Machine-Learning-Klassifikator ein. Dieser letzte Schritt fungierte als Richter, der alle Beweise abwog, um einen einzelnen Wahrscheinlichkeitswert zu erzeugen. Dieser Wert repräsentierte die Wahrscheinlichkeit, dass der Patient eine arzneimittelresistente Form der Tuberkulose hatte. Das System war als Gatekeeper konzipiert, ein Schutzschild an vorderster Front, der hochriskante Patienten für eine sofortige, spezialisierte Testung und Behandlung markieren konnte, anstatt auf die langsamen Laborergebnisse zu warten.

Als das Team sein finales Modell an Daten testete, die es noch nie zuvor gesehen hatte, waren die Ergebnisse vielversprechend. Das System unterschied korrekt zwischen arzneimittelresistenten und arzneimittelempfindlichen Fällen mit einem hohen Grad an Genauigkeit. In der Testgruppe erreichte das Modell einen Wert, der anzeigt, dass es die beiden Gruppen zuverlässig trennen konnte, wobei es signifikant besser abschnitt als bei der alleinigen Verwendung klinischer Informationen. Das Modell rät nicht einfach nur zufällig; es zeigte ein klares Muster. Patienten, bei denen später die schwerste Form der Arzneimittelresistenz, bekannt als extrem arzneimittelresistente Tuberkulose, bestätigt wurde, erhielten vom Modell höhere Risikowerte als jene mit weniger schwerer Resistenz. Dies deutet daraufweise hin, dass das System empfindlich genug war, um die Intensität der Resistenz zu erkennen, nicht nur deren Vorhandensein.

Die Forscher untersuchten auch, wie das Modell seine Entscheidungen traf, um sicherzustellen, dass es auf die richtigen Dinge achtet. Mithilfe einer Technik, die hervorhebt, welche Teile eines Bildes die Entscheidung des Computers beeinflussten, fanden sie heraus, dass das Modell seine Aufmerksamkeit auf die Lungenfelder richtete, genau dort, wo auch ein Arzt suchen würde. Es identifizierte dunkle Flecken und strukturelle Veränderungen innerhalb der Lungen, die charakteristisch für die Krankheit sind. Die Studie zeigte jedoch auch eine Einschränkung auf. Die Leistung des Modells sank, wenn Patienten andere gesundheitliche Probleme wie Anämie oder HIV hatten. Dies deutet darauf hin, dass, obwohl das System leistungsstark ist, andere Krankheiten in den Lungen das Muster, das es zu finden versucht, verwirren können, was die Diagnose bei Patienten mit multiplen gesundheitlichen Problemen schwieriger macht.

Die Studie kommt zu dem Schluss, dass Thorax-Röntgenaufnahmen, wenn sie von dieser spezifischen Art der künstlichen Intelligenz analysiert werden, eine schnelle und aussagekräftige Schätzung des Arzneimittelresistenzrisikos liefern können. Die Autoren betonen vorsichtig, dass dieses System keinen Ersatz für die Labortests darstellt, die bestätigen, welche spezifischen Medikamente wirken werden. Stattdessen dient es als ein leistungsstarkes Screening-Werkzeug. In einer belebten Klinik, insbesondere in Gebieten, in denen fortschrittliche Laborgeräte knapp sind, könnte dieses Werkzeug Ärzten helfen zu entscheiden, welche Patienten sofort eine dringende, spezialisierte Versorgung benötigen. Indem es die gefährlichsten Fälle frühzeitig identifiziert, bietet das System eine Möglichkeit, die richtige Behandlung früher einzuleiten, was potenziell Leben retten und die Ausbreitung dieser schwer behandelbaren Bakterien stoppen kann, bevor sie weiteren Schaden anrichten. Die Arbeit zeigt, dass wir mit den richtigen Daten und einem kollaborativen Ansatz zwischen verschiedenen Arten von Computermodellen neue, lebensrettende Erkenntnisse aus Bildern gewinnen können, die seit Jahrzehnten aufgenommen werden.