Automated Prediction of Postoperative Pancreatic Fistula Using Preoperative Computed Tomography

Technische Samenvatting: Geautomatiseerde Voorspelling van Postoperatieve Pancreasfistel aan de Hand van Preoperatieve Computertomografie

Probleemstelling
Een postoperatieve pancreasfistel (POPF) is een ernstige complicatie na een pancreasresectie, die de morbiditeit, de ligduur in het ziekenhuis en de zorgkosten aanzienlijk verhoogt. De incidentie van klinisch relevante POPF (CR-POPF) varieert van 10% tot 40%. Terwijl traditionele risicostratificatie steunt op klinische factoren (bijv. BMI, diameter van de pancreasgang) en intraoperatieve beoordelingen, schieten deze methoden vaak tekort in nauwkeurigheid en zijn ze subjectief. De auteurs stellen dat preoperatieve computertomografie (CT)-scans rijke, hoogdimensionale data bevatten — inclusief subtiele texturele kenmerken en anatomische variaties — die benut kunnen worden om het risico vóór de operatie beter te karakteriseren, maar dat dit potentieel nog onderbenut blijft door huidige statistische modellen.

Methodologie
Het artikel stelt een end-to-end deep learning-pipeline voor die ontworpen is om de waarschijnlijkheid van CR-POPF te voorspellen met uitsluitend preoperatieve CT-beelden. De workflow bestaat uit vier primaire stadia:

1. Datacoort en Preprocessing:

   • De studie maakte gebruik van een prospectief onderhouden dataset van de Mayo Clinic bestaande uit volwassen patiënten die tussen 2010 en 2020 een pancreatoduodenalectomie ondergingen.
   • Twee afzonderlijke cohorten werden geanalyseerd op basis van contrastfase: Portaalveneus (N=1.353) en Laat Arterieel (N=963).
   • Fasedetectie: Een XGBoost-classifier bepaalde de contrastfase van elke scan op basis van Hounsfield Unit (HU) intensiteiten.
   • Segmentatie en ROI-extractie: Om het model te concentreren op de relevante anatomie, gebruikten de auteurs automatische pancreassegmentatie om binaire maskers te genereren. Twee segmentatiebronnen werden vergeleken: een op maat gemaakt Mayo Clinic 3D nnU-Net model (MS) en het TotalSegmentator-model (TS).
   • Standaardisatie: De pipeline paste HU-windowing toe (windowbreedte=300, centrum=80) om intensiteiten te standaardiseren. Volumes werden bijgesneden naar een nauwe bounding box rond de pancreas en gecentreerd gepadded naar een uniforme grootte ($H^\star_{in} \times W^\star_{in} \times D^\star_{in}$).

2. Modelarchitecturen:
   Drie 3D convolutionele neurale netwerk (CNN) architecturen werden geëvalueerd voor binaire classificatie (POPF aanwezig vs. afwezig):

   • CNN3D: Een aangepaste, lichtgewicht baseline-netwerk getraind vanaf nul, bestaande uit drie convolutionele stadia met residual shortcuts.
   • ResNet-(2+1)D-18: Een residual architectuur die 3D-convoluties factoriseert in ruimtelijke en diepte (inter-slice) convoluties om 3D-context efficiënt te modelleren.
   • ResNet-MC3-18: Een model dat gebruikmaakt van gemengde spatiotemporele convoluties, waarbij 3D-kernels in de vroege lagen worden ingezet voor inter-slice context en slice-wijze ruimtelijke convoluties in latere lagen.

3. Training en Evaluatie:

   • Augmentatie: Training maakte gebruik van stochastische MONAI-transformaties, waaronder willekeurige 3D-flips, rotaties, zooms en intensiteitsperturbaties (histogramaanpassingen, ruis, smoothing).
   • Optimalisatie: Modellen werden getraind met AdamW met een OneCycle learning rate schedule. Class imbalance werd aangepakt via weighted sampling en weighted cross-entropy loss.
   • Validatie: Prestaties werden beoordeeld via 5-voudige gestratificeerde cross-validatie onder twee protocollen: (i) gebalanceerde train/test splits en (ii) natuurlijke distributie splits waarbij de geobserveerde CR-POPF prevalentie behouden bleef.

Belangrijkste Resultaten
De studie evalueerde de prestaties met behulp van de Area Under the Receiver Operating Characteristic Curve (AUC), accuratesse, precisie, recall en F1-scores.

• Architectuurprestaties: Residual spatiotemporele backbones (ResNet-(2+1)D-18 en ResNet-MC3-18) presteerden consequent beter dan de aangepaste CNN3D baseline.
• Impact van Segmentatie: De kwaliteit van het pancreasmasker had een significante invloed op de resultaten. Modellen die de Mayo Segmentation (MS) maskers gebruikten, behaalden hogere AUC's (ongeveer 0,73) vergeleken met de TotalSegmentator (TS) maskers (ongeveer 0,65–0,66), wat het belang van ROI-getrouwheid benadrukt.
• Contrastfase: In het Laat Arteriele cohort behaalde het best presterende model (R2Plus1DResNet18 met MS maskers) een AUC van $0,73 \pm 0,04$ in gebalanceerde splits en $0,68 \pm 0,07$ in natuurlijke distributie splits. In het Portaalveneuze cohort behaalde R2Plus1DResNet18 met MS maskers een AUC van $0,73 \pm 0,06$ (gebalanceerd) en $0,70 \pm 0,03$ (natuurlijk).
• Class Imbalance: Onder natuurlijke distributie splits nam de precisie af terwijl de recall hoog bleef, een typisch gedrag voor ongebalanceerde medische datasets, hoewel de modelrangschikking op basis van AUC consistent bleef.

Significantie en Claims
De auteurs claimen dat dit werk de haalbaarheid aantoont van het gebruik van uitsluitend preoperatieve CT-beelden om patiënten te stratificeren op CR-POPF risico. Belangrijke bijdragen zijn:

• Methodologische Benchmark: Het artikel biedt een rigoureuze vergelijking van moderne 3D deep learning architecturen voor pancreas-specifieke CT-classificatie, waarmee een baseline wordt gevestigd voor toekomstig onderzoek.
• Klinische Nut: De voorgestelde pipeline biedt een potentieel instrument voor preoperatieve besluitvorming. Door patiënten met een hoog risico vóór de operatie te identificeren, kunnen clinici theoretisch het perioperatieve management afstemmen, alternatieve chirurgische benaderingen overwegen (bijv. het vermijden van anastomose) of een verscherpt postoperatief monitoringregime instellen.
• Data-gestuurde Inzichten: De resultaten suggeren dat pancreas-gecentreerde, met HU-windowing bewerkte preoperatieve CT-scans meetbare beeldkenmerken bevatten die geassocieerd zijn met CR-POPF en die computationeel extraheerbaar zijn.

Beperkingen
De auteurs merken expliciet de volgende beperkingen op:

• Reikwijdte van Voorspelling: Beeldvorming alleen kan de ontwikkeling van een fistel niet volledig bepalen, aangezien de uitkomst ook wordt beïnvloed door patiëntgebonden factoren (leeftijd, comorbiditeiten) en intraoperatieve variabelen (bloedverlies) die niet in dit model zijn opgenomen.
• Foutpropagatie: De pipeline vertrouwt op automatische segmentatie; imperfecte maskers of foutieve faseclassificatie kunnen fouten voortplanten naar de uiteindelijke voorspelling.
• Validatie: De studie mist externe validatie op onafhankelijke multi-instelling cohorten en prospectieve evaluatie, die noodzakelijk zijn om robuustheid en klinische bruikbaarheid te bevestigen voordat implementatie kan plaatsvinden.