Coronary artery calcification assessment in National Lung Screening Trial CT images (DeepCAC2)

Deze paper introduceert DeepCAC2, een openbaar beschikbaar dataset en volledig geautomatiseerd deep learning-pipeline die op basis van 127.776 lage-dosis longscans uit de National Lung Screening Trial (NLST) coronaire arteriële calcificaties en risicocategorieën genereert om opportunistische hart-en vaatziekte-screening te faciliteren.

De kern

Stel je voor dat je een enorme bibliotheek hebt met miljoenen foto's van longen, gemaakt om te zoeken naar longkanker. Dit is wat de National Lung Screening Trial (NLST) is: een gigantische verzameling CT-scanfoto's van mensen die veel rookten, gemaakt om hun longen te controleren.

Maar hier is het leuke: op diezelfde foto's van de longen zit ook het hart. En in dat hart kunnen er kleine, harde stukjes kalk zitten (verhardingen in de slagaders). Dit noemen we kalkafzettingen (Coronary Artery Calcification of CAC). Als je veel kalk hebt, is dat een sterk teken dat je hart- en vaatziekten kunt krijgen, net zoals roest op een auto een teken is van slijtage.

Het probleem? Artsen kijken meestal alleen naar de longen op die foto's. Ze kijken niet naar het hart, omdat ze daarvoor speciale, dure apparatuur nodig zouden hebben. Het hart op die "longfoto's" is vaak wazig of niet perfect in beeld.

De Oplossing: Een Digitale "Kijk-Op-Het-Hart" Bril

De onderzoekers in dit paper hebben een slimme computerprogrammatuur bedacht, genaamd DeepCAC2. Je kunt dit zien als een magische bril die je op die oude longfoto's zet.

1. De Oude Methode (Handmatig): Vroeger moest een arts met een vergrootglas en een potje kalk (letterlijk) door de foto's kijken om te tellen hoeveel er kalk in het hart zit. Dit kostte dagen, was duur en gebeurde zelden.
2. De Nieuwe Methode (AI): De onderzoekers hebben een robot (een kunstmatige intelligentie) getraind. Ze hebben de robot eerst laten kijken naar duizenden foto's van harten waar experts al precies hadden aangegeven waar het kalk zat. De robot leerde het patroon: "Aha, dit is een kalkplek, dat is geen kalk."

Wat hebben ze gedaan?

Ze hebben die slimme robot op 127.776 foto's losgelaten. Dat is een enorm aantal!

• De Robot aan het werk: De robot keek naar elke foto, vond het hart, en zocht naar kalk.
• Het Resultaat: Voor bijna elke persoon in de studie heeft de robot nu een rapport gemaakt: "Heeft deze persoon kalk in zijn hart? Ja/Nee. Hoeveel? En is dat gevaarlijk?"
• De Score: Ze gaven een soort "risico-score" (van 0 tot 3).
  • 0: Geen kalk (Veilig).
  • 1: Weinig kalk (Laag risico).
  • 2: Middel veel kalk (Matig risico).
  • 3: Veel kalk (Hoog risico).

Waarom is dit zo belangrijk?

Stel je voor dat je een auto koopt die al 10 jaar oud is. Je kijkt naar de banden (de longen) om te zien of ze goed zijn. Maar je ziet ook dat de motor (het hart) begint te roesten. Als je dat ziet, kun je de motor laten repareren voordat hij kapot gaat.

Met dit nieuwe systeem kunnen artsen nu, zonder extra foto's te maken, zien of iemand risico loopt op een hartaanval, puur op basis van de foto's die ze al hadden gemaakt voor de longen.

Bewijs dat het werkt

De onderzoekers waren niet zomaar gaan gokken. Ze hebben het getest:

• De Vergelijking: Ze lieten de robot de foto's bekijken en vergeleken het resultaat met wat echte, menselijke experts hadden gedaan. Het resultaat? De robot zat bijna precies goed! (Zoals twee vrienden die bijna hetzelfde antwoord geven op een quiz).
• De Toekomst: Ze keken ook naar mensen die jaren later overleden. Mensen met een hoge kalk-score (een "roestige motor") bleken inderdaad vaker overleden te zijn aan hartproblemen. De robot had dus echt voorspeld wie in gevaar zat.

Wat is er nu beschikbaar?

De onderzoekers hebben alles gratis en openbaar gemaakt.

• De Data: Iedereen kan nu die 127.000 foto's met de kalk-annotaties downloaden.
• De Robot: Je kunt de software zelf downloaden en op je eigen computer draaien.
• Het Dashboard: Er is een online spelletje (een dashboard) waar je kunt klikken en zien hoe de robot werkt. Je kunt bijvoorbeeld kijken: "Hoeveel mensen met een hoge kalk-score waren er bij de fabrikant X?"

Samenvattend

Dit paper is als het vinden van een vergeten schatkaart.
Vroeger keken we alleen naar de longen op die CT-scan. Nu hebben we een slimme sleutel (DeepCAC2) die ons laat zien dat er ook waardevolle informatie over het hart op diezelfde foto's staat. Hierdoor kunnen we mensen eerder waarschuwen voor hartproblemen, zonder dat ze een nieuwe, dure scan hoeven te maken. Het is een win-win voor de gezondheid van iedereen.

Technische samenvatting

Probleemstelling

Coronairarteriële calcificatie (CAC) is een sterke voorspeller van cardiovasculair risico, maar wordt in de klinische routine vaak niet benut bij thoracale beeldvorming. De beperkingen zijn tweeledig:

1. Protocolafhankelijkheid: Traditionele CAC-kwantificatie vereist specifieke, ECG-gestuurde CT-protocollen die zelden worden uitgevoerd bij patiënten die CT-onderzoek ondergaan voor andere indicaties (zoals longkankerscreening).
2. Handmatige annotatie: Het ontbreken van geautomatiseerde methoden maakt het onpraktisch om CAC handmatig te scoren op grote schaal in bestaande datasets.

De National Lung Screening Trial (NLST) dataset bevat een enorme collectie van niet-ECG-gestuurde, lage-dosis long-CT scans (203.087 scans van 26.254 personen), maar deze zijn niet geschikt voor standaard CAC-bepaling vanwege de variatie in scanners en reconstructie-instellingen. Er is behoefte aan een reproduceerbare methode om CAC uit deze "bijvangst" (opportunistic screening) te halen.

Methodologie

De auteurs ontwikkelden DeepCAC2, een volledig geautomatiseerde deep learning-pipeline voor segmentatie en kwantificatie van CAC.

1. Trainingsdata en Voorbereiding:

• Bron: 778 hoge-kwaliteit CT-scans van de Framingham Heart Study (FHS) met expert-annotaties.
• Preprocessing:
  • Resampling naar uniforme resolutie (0,7 x 0,7 mm, slice thickness 2,5 mm).
  • Cropping rond het hart (bounding box 256x256x58 voxels).
  • Vensterinstelling: [-135, 500] Hounsfield Units (HU) om verkalkingen beter te vangen.
  • Z-normalisatie en rescaling naar [0, 1].
• Patch-extractie: Overlappende 3D-patches (64x64x16 voxels) om het model te trainen op lokale context.
• Class Balancing: Omwille van de onbalans tussen patches met en zonder CAC, werd een 50/50 verdeling bereikt door willekeurig te resamplen.

2. Model Architectuur:

• Model: Een 3D U-Net (gebaseerd op nn-UNet).
• Training: Getraind met BinaryDiceLoss, Adam-optimizer, en een batchgrootte van 32 patches op een Quadro RTX 8000 GPU.
• Post-processing: Predicties van overlappende patches worden gemiddeld en gethresholdd (0,5) om een volumetrische segmentatie te genereren.

3. Afgeleide Metrieken:

• Uit de segmentaties wordt de Agatston-score (CACS) berekend.
• Risicogroepen worden toegewezen op basis van klinische drempels:
  • Groep 0: CACS = 0 (zeer laag)
  • Groep 1: CACS 1-100 (laag)
  • Groep 2: CACS 101-300 (matig)
  • Groep 3: CACS > 300 (hoog)

4. Distributie en Implementatie:

• De pipeline is verpakt in een MHub.ai container (Docker), wat zorgt voor DICOM-compatibiliteit en reproduceerbaarheid.
• Modules omvatten import, conversie naar NIfTI, hartsegmentatie, CAC-detectie, CACS-berekening en export naar DICOM-SEG en JSON.

Kernbijdragen

1. DeepCAC2 Dataset: Een publiek beschikbare dataset met geautomatiseerde CAC-segmentaties, scores en risicocategorieën voor 127.776 CT-scans van 26.228 individuen uit de NLST.
2. Reproduceerbaarheid: De volledige pipeline is open-source en beschikbaar als een DICOM-compatibele container, waardoor andere onderzoekers de resultaten kunnen verifiëren of toepassen op nieuwe data.
3. Interoperabiliteit: De segmentaties zijn opgeslagen in het standaard DICOM SEG formaat, wat integratie in bestaande radiologische workflows mogelijk maakt.
4. Visualisatie: Een interactief dashboard (Google Looker Studio) waarmee gebruikers een subset van 200 patiënten kunnen inspecteren, inclusief de overlay van de segmentatie op de originele CT-beelden via een OHIF-viewer.

Resultaten

Technische Validatie:

• Vergelijking met expert-annotaties (n=390 NLST scans) toonde een zeer sterke correlatie aan (Spearman ρ = 0,879).
• De overeenstemming tussen automatisch en handmatig toegewezen risicogroepen was bijna perfect (gewogen Cohen's kappa κ = 0,844).

Klinische Validatie:

• Overlevingsanalyse: Op basis van 23.011 deelnemers (met 1.624 overlijdens) toonde de Kaplan-Meier analyse een duidelijke scheiding van overlevingscurves per risicogroep. Hogere CAC-burden correleerde met lagere overleving.
• Cox-regressie: Na correctie voor leeftijd, geslacht, roken en hartgeschiedenis, bleef de CAC-risicogroep een sterke onafhankelijke voorspeller van mortaliteit.
  • De hazard ratio voor de hoogste risicogroep (CACS > 300) was 2,05 (95% CI 1,77-2,39) ten opzichte van de groep met CACS = 0.
  • De concordance index (C-index) van het multivariabele model was 0,685, wat wijst op een goede discriminatie.

Significantie

DeepCAC2 transformeert de NLST-dataset van een puur longkanker-dataset naar een waardevolle bron voor cardiovasculair onderzoek.

• Opportunistic Screening: Het bewijst dat CAC betrouwbaar kan worden geëxtraheerd uit bestaande, niet-geoptimaliseerde long-CT scans, zonder extra blootstelling aan straling of specifieke protocollen.
• Grootschalig Onderzoek: Het stelt onderzoekers in staat om longitudinale analyses, stratificatie op cardiovasculair risico en studies naar subgroepen uit te voeren op een schaal die voorheen onmogelijk was door de noodzaak van handmatige annotatie.
• Transparantie: Door de openbaarmaking van de data, het model en de dashboard-tools, wordt de "black box" van AI in de geneeskunde doorbroken, wat vertrouwen en reproduceerbaarheid in de wetenschap bevordert.

De dataset en tools zijn beschikbaar via Zenodo, IDC (Imaging Data Commons), Docker Hub en MHub.ai.