HEEH-V1: an open-source DICOM research viewer with reproducible quantitative imaging workflows: technical validation

In der Welt der medizinischen Forschung verlassen sich Wissenschaftler auf digitale Bilder, um den menschlichen Körper zu verstehen, ohne eine Inzision vornehmen zu müssen. Diese Bilder, bekannt als DICOM-Dateien, sind die Standardsprache, die Krankenhäuser verwenden, um Scans wie CTs und MRIs zu teilen. Wenn Forscher jedoch spezifische Details innerhalb dieser Bilder messen wollen – wie etwa die Dichte eines Gewebes oder die Textur eines Tumors –, müssen sie Software verwenden, um die Berechnungen durchzuführen. Eine große Herausforderung in diesem Bereich besteht darin, sicherzustellen, dass verschiedene Softwareprogramme exakt dieselben Zahlen liefern, wenn sie dasselbe Bild analysieren. Wenn ein Programm angibt, dass ein Gewebe etwas dichter sei als ein anderes, kann dies zu widersprüchlichen Forschungsergebnissen führen. Um dies zu lösen, verwenden Wissenschaftler oft „Phantome“, bei denen es sich um Objekte handelt, die menschliches Gewebe nachahmen, aber keine echten Patienten enthalten, was es ihnen ermöglicht, zu testen, ob ihre Werkzeuge konsistent und reproduzierbar sind.

Ein Forscher namens Mohamad Yousef Heeh hat ein neues, kostenloses Softwaretool namens HEEH-V1 entwickelt, um bei dieser Arbeit zu helfen. Diese Anwendung wurde für Wissenschaftler und Studenten entwickelt, um medizinische Bilder anzusehen, Messungen vorzunehmen und quantitative Analysen durchzuführen. Das Kernziel der neuen Studie bestand nicht darin, zu beweisen, dass diese Software besser als bestehende Werkzeuge ist oder bereit für die Diagnose von Patienten ist, sondern schlichtweg zu verifizieren, dass sie unter spezifischen Bedingungen korrekt und konsistent arbeitet. Der Autor wollte sehen, ob die Zahlen von HEEH-V1 mit denen anderer etablierter, vertrauenswürdiger Programme übereinstimmten, wenn sie dieselben Daten betrachteten. Um dies zu tun, führte das Team eine Reihe strenger Überprüfungen unter Verwendung einer öffentlichen Sammlung von CT-Scan-Bildern eines Phantoms durch, einem spezialisierten Objekt, das zur Testung von Bildgebungsgeräten verwendet wird.

Die Forscher unterzogen die Software einer umfassenden Batterie von Tests, um zu sehen, ob sie die komplexe Aufgabe bewältigen kann, medizinische Bilder zu lesen und zu analysieren. Zuerst lief die Software gegen einen Satz von 335 automatisierten Prüfungen, die darauf ausgelegt waren, sicherzustellen, dass der Code selbst fehlerfrei funktioniert. Die Software bestand jede einzelne dieser Tests, ohne auch nur einmal zu stocken. Als Nächstches verglich das Team die Ergebnisse von HEEH-V1 mit einem bekannten Programm namens PyRadiomics. Sie nahmen einen spezifischen Satz von 172 Schichten aus einem CT-Scan eines Phantoms und baten beide Programme, vier grundlegende statistische Werte für einen bestimmten Bereich auf jeder Schicht zu berechnen: den Mittelwert, die Standardabweichung, den niedrigsten Wert und den höchsten Wert. Dies sind fundamentale Messungen, die die Verteilung der Pixelwerte in einem Bild beschreiben.

Der Vergleich ergab eine perfekte Übereinstimmung. Über alle 172 Schichten und alle vier Arten von Messungen hinweg waren die von der neuen Software generierten Zahlen identisch mit denen des etablierten Programms. Der Unterschied zwischen den beiden Datensätzen war so gering, dass er effektiv Null war, weit innerhalb der winzigen Fehlermarge, die für solch präzise wissenschaftliche Arbeit zulässig ist. Die Forscher testeten auch die Fähigkeit der Software, spezifische Referenzstandards zu handhaben, die im Bereich der Radiomics als IBSI-Konfigurationen bekannt sind. Bei diesen Tests verarbeitete die Software erfolgreich 27 0 spezifische Referenzzeilen und entsprach perfekt den erwarteten Ergebnissen. Während einige andere Zeilen nicht verglichen werden konnten, da die Merkmale keinen direkten Treffer hatten, bestanden alle getesteten Zeilen.

Über das bloße Abgleichen von Zahlen hinaus prüfte die Studie auch, ob die Software in der Lage war, die das Phantom umgebende Luft korrekt zu identifizieren, die einen spezifischen Dichtewert aufweisen sollte. Die Software maß die Luft auf jeder Schicht und fand Werte, die sehr nahe an dem erwarteten Standard lagen, wobei die größte Abweichung lediglich 14,39 Einheiten betrug, was weit innerhalb des für die Studie festgelegten zulässigen Bereichs lag. Das Team verifizierte auch, dass die Software die Daten sicher exportieren konnte, ohne dass es zu Korruption kam, und dass sie erkennen konnte, wenn jemand versucht hatte, die digitalen Dateien zu manipulieren. Bei diesen Sicherheitsprüfungen akzeptierte die Software alle gültigen Dateien korrekt und lehnte jede einzelne der 11 absichtlich korrumpierten Testdateien ab.

Trotz dieser erfolgreichen Tests stellt der Autor sehr klar, was diese Studie nicht beweist. Die Ergebnisse bestätigen, dass die Software für die getesteten spezifischen Aufgaben und Daten reproduzierbar arbeitet, sie zeigen jedoch nicht, dass das Werkzeug bereit für den Einsatz in einem Krankenhaus zur Diagnose von Patienten oder zur Behandlungsplanung ist. Die Studie testete die Software nicht an echten Patienten und verglich ihre Leistung auch nicht mit jeder anderen auf dem Markt befindlichen Imaging-Plattform. Die Ergebnisse sind auf die spezifischen Phantom-Bilder und die vier gemessenen statistischen Merkmale beschränkt. Der Autor erklärt ausdrücklich, dass diese Arbeit keine klinische Überlegenheit, eine vollständige Konformität mit allen möglichen Standards oder eine allgemeine Wirksamkeit des Datenschutzes über die spezifisch durchgeführten Tests hinaus nachweist.

Der ultimative Wert dieser Arbeit liegt in ihrer Transparenz und ihrem Beitrag zum Fundament der reproduzierbaren Wissenschaft. Indem der Forscher ein kostenloses Open-Source-Tool bereitstellt und beweist, dass es konsistente, verifizierbare Ergebnisse gegenüber bekannten Standards generieren kann, bietet er der wissenschaftlichen Gemeinschaft eine zuverlässige Möglichkeit, ihre eigenen Bildgebungs-Workflows zu inspizieren und zu validieren. Die Studie dient als technische Validierung, die zeigt, dass sich die Software unter kontrollierten Bedingungen wie erwartet verhält. Sie etabliert eine Vertrauensbasis für die spezifisch getesteten Pfade und ermöglicht es anderen Forschern, auf dieser Arbeit aufzubauen, mit der Gewissheit, dass die zugrunde liegenden Berechnungen fundiert sind, während sie die breiteren Fragen der klinischen Anwendung und der weitreichenden Akzeptanz für zukünftige Untersuchungen offen lässt.