Patient-level coronary artery disease classification from cardiac MRI using out-of-fold heart segmentation and same-slice region controls
Diese Studie zeigt, dass Out-of-Fold-Repräsentationen der kardialen Region-of-Interest aus Herz-MRT-Aufnahmen die Klassifizierung der koronaren Herzkrankheit auf Patientenebene im Vergleich zu Vollbild- und extrakardialen Kontrollen signifikant verbessern, wenngleich die Ergebnisse aufgrund einer kleinen Kohorte und Datensatzbeschränkungen ein methodischer Proof-of-Concept bleiben.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
In der Welt der medizinischen Bildgebung wird zunehmend von Computern verlangt, Bilder des menschlichen Herzens zu analysieren und zu entscheiden, ob ein Patient an einer koronaren Herzkrankheit leidet – einem Zustand, bei dem sich die das Herz mit Blut versorgenden Gefäße verengen. Diese Bilder, die mit Magnetresonanztomographen aufgenommen wurden, sind unglaublich detailliert und erfassen die Struktur und Bewegung des Herzens in tausenden von Einzelbildern. Eine große Herausforderung beim Trainieren von Computern zur Interpretation dieser Bilder besteht jedoch darin, sicherzustellen, dass sie lernen, die eigentliche Krankheit zu erkennen, anstatt versehentlich irrelevante Hinweise auswendig zu lernen. Wenn ein Computer tausende Bilder derselben Person sieht, könnte er lernen, dass all diese Bilder zum selben Patienten gehören, und diese Tatsache nutzen, um die Diagnose zu erraten, anstatt auf das Herz selbst zu schauen. Dies ist als Data Leakage (Datenleckage) bekannt und kann dazu führen, dass ein System in einem Test brillant erscheint, in der realen Welt jedoch völlig versagt. Darüber hinaus können Computer manchmal „Abkürzungen“ finden, wie etwa die spezifische Art und Weise, wie ein Bild gespeichert wurde oder die Form des Leerraums um das Herz herum, und diese trivialen Details nutzen, um eine korrekte Vermutung anzustellen, ohne jemals das medizinische Problem verstanden zu haben.
Eine aktuelle Studie von David Vlad Marghidan von der Universität Craiova in Rumänien ging diesen Problemen nach, indem sie eine öffentliche Sammlung von Herzbildern neu untersuchte. Der Forscher entdeckte, dass ein weit verbreiteter Datensatz, der scheinbar über 63.000 Bilder enthielt, tatsächlich nur 30 einzelne Patienten repräsentierte. Dies bedeutete, dass die überwältigende Mehrheit der Daten lediglich unterschiedliche Schnitte derselben wenigen Personen waren. Um ein wahres Maß dafür zu erhalten, wie gut ein Computer die Krankheit diagnostizieren konnte, behandelte die Studie den Patienten, nicht das einzelne Bild, als die Einheit der Analyse. Das Team entwickelte ein System, das zuerst lernte, das Herz innerhalb des Bildes zu finden, wodurch das Organ effektiv vom Rest des Bildes isoliert wurde. Sie verglichen dann, wie gut der Computer abschnitt, wenn er nur auf das Herz schaute, wenn er das gesamte Bild betrachtete und wenn er nur auf die Teile des Bildes außerhalb des Herzens schaute. Dieser Ansatz stellte sicher, dass der Computer an Patienten getestet wurde, die er zuvor noch nie gesehen hatte, was verhinderte, dass er die Identität des Patienten nutzte, um eine Vermutung anzustellen.
Die Ergebnisse zeigten, dass der Computer signifikant besser zwischen gesunden und kranken Patienten unterscheiden konnte, wenn er sich spezifisch auf das Herz konzentrierte, als wenn er das gesamte Bild oder den Hintergrund betrachtete. Bei einem Satz von 50.735 Bildern, die strengen Qualitätsstandards entsprachen, erreichte das System, das sich auf das Herz konzentrierte, eine hohe Genauigkeit, während das System, das das vollständige Bild betrachtete, merklich schlechter abschnitt. Noch aussagekräftiger war der Befund, dass das System, das nur den leeren Raum um das Herz herum betrachtete, immer noch in der Lage war, die Diagnose mit überraschender Genauigkeit zu erraten, wobei es deutlich über dem Zufallswert lag. Dieser Befund deutet darauf hin, dass die Bilder verborgene Hinweise enthielten, die nichts mit dem Herzen selbst zu tun hatten, wie etwa den spezifischen Stil des Scans oder die Art und Weise, wie die Daten exportiert wurden, welche der Computer ausnutzen konnte, um eine korrekte Vermutung anzustellen. Die Studie verglich auch die automatisch vom Computer gezeichneten Herzumrisse mit denen eines menschlichen Forschers. Die automatischen Umrisse des Computers funktionierten genauso gut wie die des Menschen, was darauf hindeutet, dass die Maschine das Herz zuverlässig lokalisieren kann, ohne dass zuvor ein Mensch die Grenzen zeichnen muss.
Trotz dieser Erfolge kommt die Studie zu dem Schluss, dass das System noch nicht bereit für den klinischen Einsatz ist. Die geringe Anzahl der beteiligten Patienten, die Tatsache, dass es sich bei den Bildern um komprimierte Dateien statt um Rohdaten handelt, und das Vorhandensein jener Nicht-Herz-Abkürzungen bedeuten, dass die Ergebnisse eher ein Beweis für die Machbarkeit (Proof of Concept) als eine endgültige Lösung sind. Die Forschung zeigt, dass die Isolierung des Herzens dem Computer hilft, sich auf die richtigen Informationen zu konzentrieren, offenbart aber auch, dass der Datensatz selbst Verzerrungen aufweist, die eine Maschine irreführen könnten. Die Arbeit dient als wichtige Mahnung, dass in der medizinischen künstlichen Intelligenz hohe Punktzahlen nicht immer bedeuten, dass der Computer die Krankheit gelernt hat; manchmal hat er nur den Datensatz gelernt. Bis diese Abkürzungen eliminiert sind und das System an einer viel größeren und vielfältigeren Gruppe von Patienten getestet wurde, bleibt die Technologie ein vielversprechender methodischer Schritt statt eines Werkzeugs, auf das sich Ärzte in einem Krankenhaus verlassen 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.