Machine/Deep Learning-Based Position Prediction of Pulmonary Nodules in Free- Breathing CT-Guided Lung Puncture: A Single-Center Prospective Cohort Study
Diese einzentrische prospektive Studie zeigt, dass ein neuartiges Framework für maschinelles Lernen, welches lediglich einen Basis-CT-Scan in Kombination mit Signalen des tragbaren nasalen Luftstroms oder der respiratorischen induktiven Plethysmographie nutzt, eine Echtzeit-Vorhersage der Positionen von Lungenknoten während der freien Atmung im Submillimeterbereich erreichen kann und somit die Sicherheit und Effizienz von CT-gesteuerten Lungenpunktionen verbessert, ohne dass ein Anhalten des Atems oder zusätzliche dynamische Bildgebungsverfahren erforderlich sind.
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
Stellen Sie sich einen Arzt vor, der versucht, eine winzige Nadel in ein kleines, sich bewegendes Ziel in der Brust eines Patienten zu platzieren. Dies ist ein routinemäßiger, aber hochsensibler Eingriff, der zur Diagnose oder Behandlung von Lungenknoten eingesetzt wird – kleinen Wucherungen, die gutartig oder bösartig sein können. Die Herausforderung besteht darin, dass die Lungen niemals wirklich stillstehen; sie dehnen sich mit jedem Atemzug aus und ziehen sich zusammen, wodurch das Ziel auf und ab driftet. Um dies zu kompensieren, bitten Ärzte die Patienten oft, den Atem anzuhalten, was jedoch für viele schwierig ist, insbesondere für ältere Menschen oder Menschen mit Lungenerkrankungen. Wenn der Patient nicht stillhalten kann, muss der Arzt mehrere Röntgenaufnahmen machen, um die Bewegung zu verfolgen, was die Strahlenbelastung erhöht und die Zeit, die der Patient auf dem Tisch verbringt, verlängert. Jahrelang hat die medizinische Fachwelt nach einem Weg gesucht, um genau vorherzusagen, wo sich dieses Ziel in jedem Moment eines normalen Atemzugs befinden wird, damit der Arzt präzise zielen kann, ohne den Patienten zum Anhalten des Atems zu zwingen oder endlose zusätzliche Scans durchzuführen.
Ein Forschungsteam am Peking University People's Hospital hat eine neue Methode entwickelt, um dieses Problem mithilfe von künstlicher Intelligenz und einfachen, tragbaren Sensoren zu lösen. In einer kürzlich durchgeführten Studie mit 139 Patienten testeten sie ein System, das die vertikale Bewegung von Lungenknoten mit einer Präzision im Submillimeterbereich vorhersagen konnte. Die Forscher stützten sich nicht auf teure, komplexe Maschinen oder neue Arten von hochdosierten Röntgenaufnahmen. Stattdessen verwendeten sie einen Standard-Planungs-CT-Scan, um den Knoten zunächst zu lokalisieren, und befestigten dann leichte, nicht-invasive Sensoren an den Gesichtern und Oberkörpern der Patienten. Diese Sensoren, ähnlich denen, die in Schlaflaboren verwendet werden, überwachten den Luftstrom durch die Nase sowie die Ausdehnung von Brustkorb und Bauch während der natürlichen Atmung der Patienten.
Der Kern der Studie bestand darin, zu prüfen, ob ein Computer die Beziehung zwischen diesen Atemsignalen und der tatsächlichen Bewegung der Lungenknoten erlernen kann. Das Team sammelte Daten von 143 Knoten und zeichnete die exakte Position jedes Knotens während mehrerer CT-Scans auf, die während der freien Atmung der Patienten durchgeführt wurden. Diese Informationen speisten sie in zwei verschiedene Arten von Computermodellen ein: eines, das auf einer statistischen Methode namens Support Vector Machine basiert, und ein weiteres, das einen Deep-Learning-Algorithmus namens ResNet-18 nutzt. Das Ziel war es, dass der Computer aus dem Atemsignal zu jedem beliebigen Zeitpunkt die genaue Position des Knotens vorhersagt, selbst wenn sich der Patient mitten in einem Atemzyklus befindet.
Die Ergebnisse waren bemerkenswert genau. Als die Modelle mit neuen, bisher ungesehenen Daten getestet wurden, lag der statistische Fehler (gemessen als mittlerer quadratischer Fehler) bei etwa 0,166 bis 0,198 mm². Entscheidend war, dass die Studie explizit bestätigte, dass die tatsächlichen absoluten Vorhersagefehler für die Position des Knotens für alle Modelle unter 0,5 mm blieben. Um dies einzuordnen: Die Dicke eines menschlichen Haares beträgt etwa 0,05 bis 0,1 Millimeter, was bedeutet, dass die Vorhersage präzise genug war, um Bewegungen zu verfolgen, die weit kleiner als die Breite eines einzelnen Haares sind. Das System funktionierte konsistent gut, unabhängig davon, ob der Patient auf dem Rücken, dem Bauch oder der Seite lag, und unabhängig davon, ob sich der Knoten im oberen oder unteren Teil der Lunge befand. Die Modelle schnitten etwas besser ab, wenn sie das nasale Luftstromsignal im Vergleich zum Brustgurt-Signal verwendeten, aber beide Methoden erreichten die hohe Genauigkeit, die für den klinischen Einsatz erforderlich ist.
Dieser Ansatz bietet eine bedeutende Veränderung in der Art und Weise, wie diese Eingriffe durchgeführt werden könnten. Derzeit muss ein Arzt, wenn ein Patient nicht die Luft anhalten kann, den Eingriff wiederholt unterbrechen, um neue Scans zu erstellen und die Position der Nadel zu überprüfen, was Zeit kostet und die Strahlenbelastung erhöht. Mit diesem neuen Vorhersagewerkzeug könnte der Arzt theoretlich zu jeder Sekunde des Atemzyklus wissen, wo sich der Knoten befindet. Dies würde einen reibungsloseren, schnelleren Eingriff ermöglichen, bei dem die Nadel kontinuierlich geführt werden kann, ohne dass häufige Unterbrechungen oder erzwungenes Luftanhalten nötig sind. Das System benötigt lediglich einen Standard-CT-Scanner und ein kleines, tragbares Überwachungsgerät, was es zu einer kostengünstigen Lösung macht, die ohne teure Roboterarme oder große infrastrukturelle Änderungen in bestehende Krankenhausabläufe integriert werden kann.
Die Studie wurde als prospektive Einzenterstudie durchgeführt, was bedeutet, dass die Forscher die Patienten speziell für diese Untersuchung rekrutierten und sie während des Verfahrens begleiteten, anstatt auf alte Datensätze zurückzugreifen. Obwohl die Ergebnisse vielversprechend sind, merken die Autoren an, dass das System primär an Patienten getestet wurde, die sich einer spezifischen Art der präoperativen Lokalisation von Lungenknoten unterzogen. Sie deuten an, dass weitere Tests erforderlich sind, um zu bestätigen, dass die Methode gleichermaßen gut für andere Verfahren funktioniert, wie etwa die Entnahme von Gewebeproben oder das Wegbrennen von Tumoren, sowie über verschiedene Krankenhäuser mit unterschiedlicher Ausstattung hinweg. Dennoch zeigen die Ergebnisse, dass es möglich ist, die unsichtbare Bewegung eines Lungenknotens in Echtzeit mithilfe einfacher Atemsignale und maschinellen Lernens zu verfolgen. Indem die chaotische Bewegung der Atmung in ein vorhersagbares Muster verwandelt wird, könnte diese Technologie Lungeninterventionen sicherer, schneller und weniger belastend für Patienten machen, die nicht die Luft anhalten können.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.