Comparison of two- and three-dimensional computed tomography-based deep-learning models with neurosurgeon assessments for predicting functional outcome at discharge in patients with spontaneous intracerebral hemorrhage: a single-center retrospective study

Wenn ein Blutgefäß im Gehirn platzt, ist die daraus resultierende Blutung ein medizinischer Notfall, der ohne Vorwarnung eintritt. Dieses Ereignis, bekannt als spontane intrazerebrale Blutung, ist weltweit eine der führenden Todesursachen und Ursachen für Langzeitbehinderungen. In den Stunden und Tagen nach einem solchen Ereignis stehen Ärzte vor einer schwierigen Aufgabe: vorherzusagen, wie gut ein Patient sich erholen wird. Um diese Einschätzungen vorzunehmen, verlassen sich Kliniker auf zwei Hauptinformationsquellen. Erstens untersuchen sie kontrastmittelfreie Computertomographie-Scans, bei denen es sich um schnelle Röntgenbilder handelt, die die Größe und Lage der Blutung zeigen. Zweitens beurteilen sie das Bewusstseinsniveau des Patienten anhand eines Standard-Bewertungssystems namens Glasgow Coma Scale, das misst, wie gut eine Person die Augen öffnet, spricht und auf Befehle reagiert. Obwohl diese Werkzeuge essenziell sind, müssen menschliche Ärzte sie subjektiv interpretieren, indem sie die visuellen Beweise der Blutung gegen den mentalen Zustand des Patienten abwägen. Dieser Prozess kann von einem Spezialisten zum anderen variieren, und die Komplexität des Gehirns verbirgt oft subtile Muster, die dem menschlichen Auge entgehen könnten.

Ein Forschungsteam am Longgang Central Hospital in Shenzhen setzte sich zum Ziel zu prüfen, ob künstliche Intelligenz diese Vorhersagen verbessern könnte. Sie konzentrierten sich auf eine spezifische Frage: Könnte ein Computerprogramm, das darauf trainiert ist, Gehirnscans und Patientenwerte zu betrachten, den funktionellen Ausgang eines Patienten zum Zeitpunkt der Entlassung aus dem Krankenhaus besser vorhersagen als ein menschlicher Neurochirurg? Das Team entwickelte nicht nur eine Art von Computermodell, sondern zwei. Ein Modell betrachtete die Gehirnscans als eine Serie einzelner zweidimensionaler Schichten, ganz ähnlich wie das Umblättern der Seiten eines Buches. Das andere Modell betrachtete das gesamte Gehirn als ein einziges dreidimensionales Volumen und behandelte den Scan als ein festes Objekt. Beide Modelle wurden so konzipiert, dass sie die visuellen Daten aus den Scans mit den klinischen Daten der Aufnahme des Patienten, insbesondere dem Glasgow Coma Scale Score, kombinieren. Das Ziel war es zu sehen, ob diese digitalen Werkzeuge die Verbindung zwischen der physischen Schädigung im Gehirn und der wahrscheinlichen Genesung des Patienten erkennen können und um festzustellen, ob ein einfacherer, schichtweiser Ansatz genauso gut abschneiden könnte wie der komplexere, dreidimensionale Ansatz.

Die Forscher sammelten Daten von 286 Patienten, die zwischen 2013 und 2021 in ihrem Krankenhaus eine spontane Hirnblutung erlitten hatten. Für jeden Patienten sammelten sie den Gehirnscan, der innerhalb von 24 Stunden nach dem Ereignis erstellt wurde, sowie den bei der Aufnahme aufgezeichneten Glasgow Coma Scale Score. Sie teilten die Patienten dann in Gruppen auf, um ihre Computermodelle zu trainen und zu testen. Das Team rekrutierte zudem drei Neurochirurgen mit unterschiedlichem Erfahrungsgrad, um als menschliche Benchmark zu fungieren. Diese Ärzte wurden gebeten, die Prognose für eine Auswahl von Patienten basierend auf denselben Gehirnscans und klinischen Werten abzugeben, die auch den Computern zur Verfügung gestellt wurden. Um einen fairen Vergleich zu gewährleisten, wurden den Ärzten nur die spezifischen Schichten des Scans gezeigt, die die Blutung enthielten, anstatt der vollständigen Bildserie, die sie in einem Krankenhaus normalerweise prüfen würden. Dies schuf eine kontrollierte Umgebung, in der sowohl die Menschen als auch die Maschinen mit exakt denselben Informationen arbeiteten.

Die Ergebnisse zeigten, dass die Computermodelle äußerst effektiv bei der Vorhersage von Ergebnissen waren. Das Modell, das das Gehirn als eine Serie von zweidimensionalen Schichten betrachtete, erreichte in Kombination mit dem Glasgow Coma Scale Score des Patienten eine Genauigkeit von 90,3 Prozent. Das bedeutet, dass das Modell in mehr als neun von zehn Fällen korrekt vorhersagte, ob ein Patient bei der Entlassung einen guten oder schlechten funktionellen Ausgang haben würde. Das dreidimensionale Modell, das das gesamte Hirnvolumen zusammen mit detaillierteren klinischen Informationen analysierte, schnitt etwas anders ab und erreichte eine Genauigkeit von 90,6 Prozent. Statistisch gesehen gab es keinen signifikanten Unterschied zwischen den beiden Computermodellen; beide waren bemerkenswert präzise. Dennoch übertrafen beide Systeme der künstlichen Intelligenz die menschlichen Neurochirurgen. Selbst der erfahrenste Arzt der Studie konnte die Konsistenz und Genauigkeit der Computermodelle nicht erreichen. Die Studie fand auch heraus, dass das Hinzufügen des Glasgow Coma Scale Scores zur Bildanalyse entscheidend war. Eine Version des zweidimensionalen Modells, die nur die Bilder ohne den klinischen Score betrachtete, war weniger genau und sank auf 81,0 Prozent. Dies deutet darauf hin, dass der Computer den menschlichen Kontext des Bewusstseinsniveaus des Patienten benötigte, um seine besten Vorhersagen zu treffen.

Eine der überraschendsten Erkenntnisse war, dass das einfachere, zweidimensionale Modell genauso gut war wie das komplexere, dreidimensionale Modell. Der dreidimensionale Ansatz erforderte mehr Rechenleistung und detailliertere Daten, lieferte jedoch keine bessere Vorhersage als die schichtbasierte Methode. Dies deutet darauf hin, dass für diese spezifische medizinische Aufgabe eine weniger komplexe Architektur bevorzugt werden könnte, insbesondere wenn man mit begrenzten Datenmengen arbeitet. Die Forscher merkten an, dass dreidimensionale Modelle oft anfälliger für Fehler sind, wenn der Datensatz klein ist, während der zweidimensionale Ansatz robust blieb. Die Studie hob auch hervor, dass die Computer zwar exzellent darin waren, Muster zu finden, sie aber nicht die Ärzte ersetzten. Die Modelle wurden entwickelt, um zu unterstützen, nicht um zu übernehmen. Die menschlichen Ärzte in der Studie arbeiteten unter einer eingeschränkten Review-Bedingung und betrachteten isolierte Bilder statt des vollständigen klinischen Bildes, das sie in der Realität sehen würden, was sie im Vergleich zu den Computern, die alle Daten gleichzeitig verarbeiten konnten, möglicherweise benachteiligt hat.

Die Forscher waren sorgfältig darin, die Grenzen ihrer Arbeit aufzuzeigen. Da die Studie in einem einzelnen Krankenhaus durchgeführt wurde und auf vergangenen Aufzeichnungen basierte, müssen die Ergebnisse in größeren, prospektiven Studien in mehreren Zentren getestet werden, um sicherzustellen, dass sie für alle Patienten gelten. Die von den Modellen getroffenen Vorhersagen bezogen sich auf den kurzfristigen Ausgang zum Zeitpunkt der Entlassung, nicht auf die langfristige Erholung Monate oder Jahre später. Darüber hinaus bestätigte die Studie, dass die Modelle zwar leistungsstark sind, aber Werkzeuge zur Unterstützung der klinischen Entscheidungsfindung darstellen und nicht den Urteilskraft eines menschlichen Spezialisten ersetzen sollen. Das ultimative Ziel ist es, Ärzten eine zuverlässige Zweitmeinung zur Verfügung zu stellen, die ihnen helfen kann, fundiertere Entscheidungen für Patienten zu treffen, die mit einer lebensbedrohlichen Hirnblutung konfrontiert sind. Durch die Kombination der visuellen Beweise des Scans mit der klinischen Realität des Zustands des Patienten bieten diese digitalen Werkzeuge einen neuen Weg, um die Schwere der Verletzung und den wahrscheinlichen Weg der Genesung zu verstehen.