Development and evaluation of automated organ segmentation models for abdominal ultrasound in injured children

Wanneer een kind na een ernstig letsel een spoedeisende hulp van een ziekenhuis binnenkomt, moeten artsen snel weten of er sprake is van een inwendige bloeding. Een van de snelste manieren om dit te controleren is een echografie aan het bed, een pijnloze scan die geluidsgolven gebruikt om bewegende beelden van de binnenkant van het lichaam te maken. In de traumazorg wordt dit specifieke onderzoek een 'focused assessment with sonography for trauma' genoemd. Het houdt in dat een arts een handbediend apparaat over de buik van het kind beweegt om te zoeken naar vocht in de ruimtes rond de lever, milt en blaas. Hoewel dit hulpmiddel essentieel is, hangt de kwaliteit van het onderzoek volledig af van de vaardigheid van de persoon die het apparaat vasthoudt en de helderheid van de beelden die zij vastleggen. Soms zijn de beelden wazig, of mist de arts een plekje, waardoor het moeilijk is om zeker te weten of een kind veilig is. Om dit te verbeteren, leren onderzoekers computers om deze beelden automatisch te begrijpen, maar eerst moet de computer leren hoe de organen eruitzien. Dit vereist het aanleren van de machine om de grenzen van de lever, nieren en andere structuren te herkennen, een taak die normaal gesproken uren handmatig tijd kost voor een menselijke expert voor elk afzonderlijk beeld.

Een team van onderzoekers aan de University of California, San Francisco, zette zich in om dit probleem op te lossen door een computersysteem te bouwen dat automatisch zes belangrijke organen in de abdominale scans van gewonde kinderen kan vinden en omlijnen. Ze richtten zich op de blaas, nieren, lever, milt, wervelkolom en het middenrif, het spierweefsel dat helpt bij de ademhaling. Dit zijn de structuren die artsen gebruiken als oriëntatiepunten om te beslissen of een onderzoek volledig en nauwkeurig is. Het team verzamelde een collectie van 200 echovideofragmenten van kinderen die waren behandeld voor letsel in een groot traumacentrum. Vervolgens hebben deskundige artsen zorgvuldig de contouren van elk orgaan getekend op duizenden individuele frames van deze video's, waardoor een set "ground truth"-voorbeelden ontstond waar de computer van kon leren. Met behulp van deze voorbeelden trainden de onderzoekers vier verschillende soorten kunstmatige intelligentie-modellen om dezelfde taak uit te voeren. Deze modellen varieerden van eenvoudigere, gevestigde ontwerpen tot nieuwere, complexere systemen die geavanceerde wiskundige technieken gebruiken om tegelijkertijd aandacht te besteden aan verschillende delen van een afbeelding.

De onderzoekers testten hoe goed elk computermodel de juiste contouren kon raden in vergelijking met de tekeningen van de menselijke experts. Ze ontdekten dat de computers erg goed waren in de taak, vooral voor de nieren en de blaas, waar de vormen duidelijk en gemakkelijk te zien zijn. Gemiddeld kwamen de contouren van de computer overeen met de contouren van de menselijke experts met een hoge mate van overlap. Eén specifief model, dat een standaardontwerp combineerde met een nieuwere methode om de aandacht op belangrijke details te richten, presteerde het beste overall. Het identificeerde de lever, milt en nieren met opmerkelijke nauwkeurigheid, en deed dit zeer snel, waarbij het minder dan een seconde nodig had om een enkele afbeelding te verwerken. Het systeem had iets meer moeite met het middenrif en de wervelkolom, die dunner zijn en moeilijker duidelijk te zien zijn in echobeelden, maar zelfs voor deze moeilijke onderdelen produceerde de computer nuttige resultaten.

Om te zien of deze technologie in de echte wereld zou werken, toonden het team het best presterende model beelden van echografie-fragmenten die het nog nooit eerder had gezien, inclusief scans van zowel kinderen als volwassenen. Vier onafhankelijke experts beoordeelden het werk van de computer, waarbij ze keken of de contouren op de juiste plek verschenen en of de beeldkwaliteit goed genoeg was zodat een arts erop kon vertrouwen. De experts vonden dat de computer de organen in het overgrote deel van de fragmenten succesvol lokaliseerde, met succespercentages variërend van ongeveer driekwart tot bijna alle gevallen, afhankelijk van het orgaan. Het systeem was bijzonder betrouwbaar voor de blaas en de lever, waarbij het bijna perfecte scores behaalde in de groep volwassenen en zeer hoge scores in de groep kinderen. De onderzoekers merkten op dat wanneer de computer faalde, dit meestal kwam doordat de oorspronkelijke afbeelding te wazig was of slecht was gemaakt, in plaats van dat de computer in de war was. Dit suggereert dat de technologie robuust genoeg is om de rommelige, onvoorspelbare realiteit van spoedeisende hulp-scans aan te kunnen.

De studie onthulde ook dat grotere, complexere computermodellen niet noodzakelijkerwijs beter waren. Het meest geavanceerde model, dat getraind was op een grote database van 280.000 echobeelden van andere mensen, presteerde niet significant beter dan het eenvoudigere, op maat gemaakte model. Sterker nog, het eenvoudigere model was sneller en vereiste minder rekenkracht, wat het praktischer maakt voor gebruik in een druk ziekenhuis. Deze bevinding suggereert dat voor deze specifieke taak de manier waarop het model is ontworpen belangrijker is dan de hoeveelheid data waarop het vooraf is getraind. De onderzoekers concludeerden dat dit geautomatiseerde systeem een belangrijke stap voorwaarts vertegenwoordigt. Door computers het tijdrovende werk van het omlijnen van organen te laten doen, kunnen artsen en onderzoekers grotere, betere datasets bouwen om toekomstige instrumenten te trainen die misschien ooit automatisch bloedingen kunnen detecteren of een arts kunnen vertellen of een onderzoek technisch beperkt is. Hoewel het systeem nog niet klaar is om het menselijk oordeel te vervangen, biedt het een krachtige nieuwe manier om de kwaliteit van de zorg voor gewonde kinderen te standaardiseren en te verbeteren.