SpineFusion for plane aware local and global MRI classification of multiple sclerosis and myelitis

Das menschliche Nervensystem ist ein riesiges, komplexes Netzwerk, und wenn es Fehlfunktionen aufweist, können die Folgen tiefgreifend sein. Zwei solche Erkrankungen, Multiple Sklerose und Myelitis, beinhalten Entzündungen und Schäden an der schützenden Hülle der Nervenfasern, was Läsionen erzeugt, die die Kommunikation innerhalb des Körpers unterbrechen. Multiple Sklerose äußert sich oft durch kurze, verstreute Schadensherde, während Myelitis lange, kontinuierliche Entzündungsstrecken verursachen kann. Die Unterscheidung zwischen ihnen ist für die Behandlung entscheidend, stellt jedoch eine schwierige Aufgabe für Ärzte dar, die medizinische Bilder betrachten. Diese Bilder, bekannt als Magnetresonanztomographie oder MRT-Scans, erfassen den Körper in dünnen Schichten aus verschiedenen Blickwinkeln. Manchmal ist der Unterschied zwischen den beiden Krankheiten subtil, verborgen in der Textur eines kleinen Flecks oder in der Art und Weise, wie sich eine Läsion über einen Schnitt zieht. Darüber hinaus verändert die Orientierung des Scans – ob man den Körper von der Seite oder von oben betrachtet – die Art und Weise, wie die Anatomie erscheint, was die Diagnose zusätzlich verkompliziert.

Um Ärzten bei der Bewältigung dieser Komplexität zu helfen, haben Forscher sich der künstlichen Intelligenz zugewandt, speziell dem Bereich des Deep Learning. Diese Computersysteme sind darauf ausgelegt, Muster aus riesigen Datenmengen zu lernen, ganz ähnlich wie ein Schüler, der aus einem Lehrbuch lernt, aber sie tun dies, indem sie Millionen interner Einstellungen anpassen, um visuelle Merkmale zu erkennen. Die Herausforderung bestand darin, ein System zu bauen, das sowohl die feinen Details einer Läsion als auch den breiteren Kontext der Umgebung anatomisch erfassen kann, während es gleichzeitig versteht, aus welchem Winkel das Bild aufgenommen wurde. Wenn ein Computer lernen kann, diese verschiedenen Perspektiven zu kombinieren, könnte er eine zuverlässigere Zweitmeinung für schwierige Fälle bieten.

Ein Team von Forschern aus Universitäten in der Türkei hat einen neuen Ansatz für dieses Problem entwickelt und ein System namens SpineFusion geschaffen. Ihre Arbeit konzentriert sich darauf, einem Computer beizubringen, MRT-Scans der Wirbelsäule und des Gehirns zu betrachten und zu identifizieren, ob ein Patient gesund ist oder an Multipler Sklerose oder Myelitis leidet. Die Forscher haben nicht einfach ein Standard-Computerprogramm trainiert; stattdessen bauten sie ein Dual-Engine-System, das die Art und Weise nachahmt, wie ein menschlicher Experte ein Bild betrachten würde. Ein Teil des Systems ist darauf ausgelegt, lokale Details zu erkennen, wie etwa die spezifische Textur einer kleinen Läsion, während der andere Teil das große Ganze betrachtet und den allgemeinen Kontext des Rückenmarks oder des Gehirns versteht. Entscheidend ist, dass diese beiden Teile nicht isoliert arbeiten. Sie tauschen ständig Informationen aus, wobei der detailorientierte Teil den kontextorientierten Teil um Hilfe bittet und umgekehrt. Zusätzlich wird dem System explizit mitgeteilt, ob es eine Seitenansicht oder eine Draufsicht des Körpers betrachtet, eine Information, die ihm hilft, die visuellen Daten korrekt zu interpretieren.

Die Forscher testeten dieses neue System an drei verschiedenen Sammlungen öffentlicher medizinischer Bilder. Die erste Sammlung enthielt fast 2.800 Bilder von Rückenmarken, die als gesund, Multiple Sklerose oder Myelitis gekennzeichnet waren. Der zweite Datensatz umfasste über 3.400 Gehirnbilder, die zwischen gesunden Individuen und solchen mit Multipler Sklerose unterschieden. Der dritte und größte Datensatz enthielt fast 12.000 Bilder, die acht verschiedene neurologische Erkrankungen abdeckten, die von Alzheimer bis hin zu Hirntumoren reichten. In jedem Fall wurde das System separat trainiert und getestet, um sicherzustellen, dass das Wissen aus einem Datensatz nicht in die Testung eines anderen überging.

Die Ergebnisse zeigten, dass das System bei seiner Aufgabe äußerst effektiv war. Bei den spinalen Bildern identifizierte es den Zustand in etwa 95 % der Fälle korrekt. Bei den Gehirnbildern erreichte es einen AUC-Wert von nahezu 0,98, und beim großen, komplexen Datensatz mit acht verschiedenen Krankheiten erreichte es einen AUC-Wert von über 0,99. Die Forscher waren jedoch vorsichtig damit, nicht zu behaupten, dass dies eine perfekte Lösung sei. Als sie ihr neues System mit älteren Methoden verglichen, die zuvor hohe Werte gemeldet hatten, stellten sie fest, dass ihr Ansatz nicht unbedingt die besten bestehenden Zahlen übertraf. Tatsächlich war der Teil ihres Systems, der für das Erkennen lokaler Details zuständig war, bereits so stark, dass das Hinzufügen des globalen Kontextes und der Winkelinformationen die Ergebnisse nur um einen winzigen Bruchteil verbesserte. Dies deutet darauf an, dass für diesen spezifischen Typ von Spinalbild die Fähigkeit, feine Texturen zu erkennen, der wichtigste Faktor ist, und dass die zusätzliche Komplexität der Kombination von Ansichten nur einen geringfügigen Nutzen bietet.

Die Studie hob auch hervor, wo das System noch Schwierigkeiten hat. Die häufigsten Fehler traten auf, wenn der Computer Multiple Sklerose mit Myelitis verwechselte, zwei Erkrankungen, die klinisch ähnlich sind und oft selbst für menschliche Experten schwer voneinander zu unterscheiden sind. Die Forscher merkten auch eine signifikante Einschränkung in ihren Daten an: Die Bilder stammten aus öffentlichen Archiven, die nicht immer klare Beschriftungen enthielten, die mehrere Schnitte demselben Patienten zuordneten. Das bedeutet, dass Schnitte derselben Person sowohl in die Trainings- als auch in die Testgruppen gelangt sein könnten, was das System gegenüber einem völlig neuen Patienten möglicherweise akkurater erscheinen lässt, als es tatsächlich ist. Aus diesem Grund betonten die Forscher, dass ihre Ergebnisse ein Proof of Concept sind und kein einsatzbereites medizinisches Werkzeug.

Letztendlich zeigt diese Arbeit, dass es möglich ist, ein Modell des maschinellen Lernens zu bauen, das sowohl die lokalen Details als auch den globalen Kontext medizinischer Bilder versteht und das die Orientierung des Scans nutzen kann, um sein Urteil zu verbessern. Das System hat erfolgreich gelernt, diese verschiedenen Arten von Informationen zu fusionieren und so einen robusten Rahmen für die Analyse von MRT-Scans zu schaffen. Obwohl die aktuellen Ergebnisse vielversprechend sind, kommen die Forscher zu dem Schluss, dass, bevor ein solches Werkzeug Patienten helfen kann, es an Daten getestet werden muss, bei denen jeder Schnitt sorgfältig nach Patienten gruppiert ist, um sicherzustellen, dass das System wirklich etwas über die Krankheit lernt und nicht nur die spezifischen Bilder auswendig lernt, die es gesehen hat. Der Weg nach vorne besteht darin, diese Modelle zu verfeinern und sie in realen klinischen Umgebungen zu validieren, in denen der Einsatz hoch und die Anforderung an Präzision absolut ist.