Deep learning-assisted target volume segmentation for uterine malignancies on non-contrast CT

In der komplexen Welt der Krebsbehandlung wirkt die Strahlentherapie wie ein präziser Energiestrahl, der darauf ausgelegt ist, Tumore zu zerstören und gleichzeitig das umliegende gesunde Gewebe zu schonen. Um dies zu ermöglichen, müssen Ärzte zunächst eine detaillierte Karte auf einem Scan des Patienten erstellen, die genau festlegt, wo sich der Krebs befindet und wie weit die Strahlung reichen muss. Diese Karte, bekannt als Zielvolumen, bildet das Fundament des gesamten Behandlungsplans. Wenn die Karte zu klein ist, könnte der Krebs überleben; wenn sie zu groß ist, könnte gesundes Gewebe geschädigt werden. Jahrzehntelang war das Erstellen dieser Karten eine langsame, manuelle Aufgabe, bei der ein Spezialist die Grenzen sorgfältig auf einem Computerbildschirm nachzeichnet – ein Prozess, der von Person zu Person variiert und für einen einzelnen Patienten über eine Stunde in Anspruch nehmen kann. Die Herausforderung ist besonders schwierig bei Krebsen des Uterus, der Zervix und des Endometriums, da die Weichteile im Becken auf Standardscans oft sehr ähnlich aussehen, was es schwierig macht, die Ränder des Tumors klar zu erkennen.

Forscher des Ganzhou Cancer Hospital in China setzten sich zum Ziel zu prüfen, ob künstliche Intelligenz helfen könnte, diesen Prozess zu beschleunigen, ohne dabei an Genauigkeit zu verlieren. Sie konzentrierten sich auf eine spezifische Art von Scan, eine nativ kontrastmittelfreie Computertomographie (NCCT), die das Standard-Bildgebungsverfahren für die Behandlungsplanung ist, aber nicht über die hohe Kontrastdetailtiefe anderer Methoden wie der Magnetresonanztomographie verfügt. Das Team trainierte ein Computersystem darauf, diese Scans zu analysieren und die Umrisse der Zielbereiche automatisch zu zeichnen. Sie ließen den Computer nicht einfach nur raten; sie bauten ein System auf, das aus Hunderten von vorangegangenen Fällen lernte, in denen Experten die Karten bereits von Hand gezeichnet hatten. Das Ziel war es, ein Werkzeug zu schaffen, das einen ersten Entwurf der Karte liefern kann, den ein Arzt dann schnell überprüfen und anpassen kann, anstatt jedes Mal mit einem leeren Bildschirm beginnen zu müssen.

Die Studie umfasste 157 Patientinnen mit Gebärmutterkrebs, die in verschiedene Gruppen aufgeteilt wurden, um das System fair zu testen. Der Computer wurde mit einer großen Gruppe von Patientinnen trainiert und anschließend an einer separaten Gruppe getestet, die er zuvor noch nie gesehen hatte, um sicherzustellen, dass er auch mit neuen Fällen umgehen kann. Die Ergebnisse zeigten, dass die künstliche Intelligenz bemerkenswert gut darin war, die äußere Begrenzung des Behandlungsbereichs, bekannt als Planungstargetvolumen (Planning Target Volume), zu zeichnen. Im Durchschnitt überschnitt sich die Zeichnung des Computers in mehr als 90 Prozent mit den Zeichnungen der erfahrenen Ärzte. Diese äußere Begrenzung ist ein Sicherheitsabstand, der um den eigentlichen Tumor hinzugefügt wird, um sicherzustellen, dass die Strahlung das Ziel auch dann trifft, wenn sich die Patientin leicht bewegt. Das System war jedoch weniger perfekt, wenn es um die innere Grenze ging, welche das eigentliche klinische Zielvolumen markiert, in dem die Krankheit bekanntlich existiert. Für diesen inneren Bereich lag die Überschneidung bei etwa 72 Prozent. Dieser Unterschied ist signifikant, da die innere Grenze auf einem Standard-Scan viel schwerer zu definieren ist, da der Tumor mit dem umliegenden gesunden Gewebe verschmilzt.

Um zu verstehen, ob diese computergenerierten Karten in einer echten Klinik tatsächlich nützlich waren, bewerteten drei erfahrene Strahlentherapeuten die Ergebnisse unabhängig voneinander. Sie bewerteten die Qualität der Arbeit des Computers auf einer einfachen Skala. Für den äußeren Sicherheitsabstand fanden die Ärzte die Arbeit des Computers in mehr als 91 Prozent der Fälle klinisch akzeptabel, was bedeutet, dass sie mit nur geringfügigen Anpassungen einsatzbereit war. Für die innere Tumorgrenze lag die Akzeptanzrate niedriger, bei etwa 75 Prozent, wobei die verbleibenden Fälle substanziellere Änderungen erforderten. Die Ärzte merkten an, dass der Computer manchmal am oberen und unteren Ende des Zielbereichs Schwierigkeiten hatte oder dort, wo der Uterus auf das Rektum trifft – Bereiche, in denen der Gewebekontrast von Natur aus schlecht ist. Trotz dieser Unvollkommenheiten produzierte das System keine Karten, die völlig unbrauchbar waren. Die Kernbotschaft war, dass der Computer einen soliden Ausgangspunkt bieten konnte, ein menschlicher Arzt jedoch weiterhin notwendig war, um die inneren Grenzen sorgfältig zu überprüfen und zu verfeinern.

Der dramatischste Effekt dieser Technologie zeigte sich in der Zeit, die für die Durchführung der Arbeit benötigt wurde. In einem separaten Test mit 20 Patientinnen verglich ein einzelner Arzt, wie lange es dauerte, die Karten von Hand zu zeichnen im Vergleich zur Verwendung des Computer-Entwurfs. Beim Zeichnen von Grund auf dauerte der Prozess durchschnittlich 65 Minuten pro Patientin. Bei der Verwendung des Computers zur Generierung der ersten Umrisslinie, die der Arzt dann bearbeitete, sank die Zeit auf nur 14 Minuten. Dies entsprach einer Reduktion der benötigten Zeit für diesen kritischen Schritt um fast 80 Prozent. Die Autoren der Studie wiesen sorgfältig darauf hin, dass dies ein Test in einem einzelnen Zentrum war und dass das System noch nicht bewiesen hat, dass es für jeden Patiententyp und in jedem Krankenhaus perfekt funktioniert. Sie betonten, dass der Computer zwar eine enorme Zeitersparnis ermöglichte, er aber kein Ersatz für die Expertise des Arztes sei. Das System ist am besten als ein leistungsstarker Assistent zu betrachten, der die schwere Arbeit des Zeichnens übernimmt, sodass das medizinische Team seine Energie auf die abschließenden, entscheidenden Entscheidungen konzentrieren kann, die sicherstellen, dass die Behandlung sowohl sicher als auch effektiv ist.