Cascade Deep Learning (nnU-Net + ResNet-18) for Meniscus Segmentation and Three-Grade Injury Classification on Knee MRI: A Single-Centre Study with Reader Assistance Evaluation

De menselijke knie is een wonder van techniek, die steunt op twee C-vormige kraakbeenpads die menisci worden genoemd om het gewricht te dempen en stabiel te houden. Wanneer deze pads scheuren of slijten, is het resultaat pijn, zwelling en een verlies van mobiliteit dat vaak een operatie vereist. Om deze blessures te diagnosticeren, vertrouwen artsen op magnetische resonantie-imaging, of MRI, wat gedetailleerde dwarsdoorsneden van de binnenkant van de knie maakt. Het lezen van deze beelden is echter een langzame en veeleisende taak. Een radioloog moet door honderden dunne plakjes scannen, zoekend naar subtiele veranderingen in de textuur van het kraakbeen die op een scheur wijzen. Dit proces is niet alleen tijdrovend, maar ook gevoelig voor menselijke fouten; twee verschillende artsen kunnen naar dezelfde scan kijken en het oneens zijn over de vraag of een patiënt een klein slijtageprobleem heeft of een ernstige scheur die onmiddellijke reparatie nodig heeft. Deze inconsistentie kan de behandeling vertragen of leiden tot onnodige ingrepen.

In een poging om dit proces sneller en betrouwbaarder te maken, zijn onderzoekers begonnen computers te leren deze scans te lezen. Dit vakgebied, bekend als deep learning, houdt in dat computerprogramma's worden getraind om patronen in afbeeldingen te herkennen, vergelijkbaar met hoe een menselijk brein gezichten leert herkennen. Het doel is niet om de arts te vervangen, maar om een hulpmiddel te creëren dat fungeert als een tweede paar ogen, dat gebieden van zorg benadrukt en een tweede mening biedt. Een nieuwe studie van een ziekenhuis in China onderzoekt hoe goed een dergelijk systeem werkt, specifiek voor meniscusblessures. De onderzoekers bouwden een tweestaps computersysteem dat eerst de meniscus in de MRI-scan vindt en deze vervolgens analyseert om te bepalen of deze gezond, degeneratief of gescheurd is. Ze testten dit systeem op honderden patiënten en observeerden vervolgens hoe het de prestaties van jonge artsen beïnvloedde, met als doel te zien of de computer minder ervaren clinici kon helpen bij het stellen van betere en snellere diagnoses.

De onderzoekers ontwikkelden een computerframework dat in een specifieke sequentie werkt, vergelijkbaar met een team waarbij de één een object lokaliseert en de ander het inspecteert. Eerst gebruikt het systeem een geavanceerd algoritme om de MRI-beelden te scannen en een precieze omtrek rond de meniscus te tekenen, waardoor deze wordt gescheiden van het omliggende bot en vocht. Deze stap is cruciaal omdat het de computer precies vertelt waar hij moet kijken, waarbij de rest van de knie wordt genegeerd. Zodra de meniscus is geïsoleerd, onderzoekt een tweede deel van het systeem het geïsoleerde beeld om de blessure te classificeren. Het sorteert de conditie in een van de drie categorieën: gezond, degeneratief (met tekenen van slijtage) of een graad-III scheur (een volledige scheur die vaak een operatie vereist). Het systeem werd getraind op gegevens van 608 kniescans die over vier jaar zijn verzameld, allemaal gemaakt met hetzelfde type 1,5-Tesla MRI-apparaat. De beelden bevatten zowel voor-naar-achter als zijwaartse aanzichten, waardoor de computer de meniscus vanuit meerdere hoeken kan bekijken.

Wanneer de onderzoekers het systeem op zichzelf testten, waren de resultaten gemengd maar veelbelovend. De computer was erg goed in het vinden van de meniscus wanneer deze gezond was, en slaagde er in de meeste gevallen in om de omtrek ervan te tekenen. Echter, wanneer de meniscus geblesseerd was, had de computer moeite om de omtrek zo precies te tekenen, waarschijnlijk omdat scheuren de vorm en textuur van het weefsel veranderen, wat het moeilijker maakt om het van de achtergrond te onderscheiden. Ondanks deze moeilijkheid bij het omlijnen, was het vermogen van het systeem om de blessure te diagnosticeren behoorlijk. Wanneer de aanzichten van zowel de voor- als de zijwaartse hoeken werden gecombineerd, identificeerde de computer correct of een meniscus gescheurd was of niet in ongeveer 74 procent van de gevallen. De computer was beter in het opsporen van scheuren bij het bekijken van het voorzichtige aanzicht van de knie vergeleken met het zijwaartse aanzicht. Hoewel het systeem op zichzelf niet perfect kon onderscheiden tussen milde slijtage en een volledige scheur, toonde het een duidelijke capaciteit om ernstige blessures te signaleren.

Het meest significante deel van de studie was echter niet alleen hoe de computer alleen presteerde, maar hoe deze menselijke artsen hielp. De onderzoekers rekruteerden twee jonge orthopedisch assistenten, elk met minder dan drie jaar ervaring in het lezen van musculoskeletale beelden, om een set van 100 kniegevallen te diagnosticeren. Eerst bekeken de artsen de scans zonder enige hulp. Later, na een pauze van twee weken om ervoor te zorgen dat ze de gevallen niet meer herinnerden, bekeken ze dezelfde scans opnieuw, ditmaal met de hulp van de computer. De computer bood hen een waarschijnlijkheidsscore die aangaf hoe groot de kans op een scheur was, samen met een visuele kaart die de specifieke gebieden van de meniscus markeerde die de computer verdacht vond.

De resultaten van dit mens-machine partnerschap waren opmerkelijk. Wanneer de jonge artsen alleen werkten, behaalden zij een AUC van 0,64. Wanneer zij de begeleiding van de computer gebruikten, verbeterde hun prestatie naar een AUC van 0,78. Belangrijker nog, de computer hielp hen om meer ernstige scheuren te ontdekken. Zonder hulp misten de jonge artsen 40 procent van de graad-III scheuren; met de hulp van de computer ontdekten zij 80 procent van de scheuren. Het hulpmiddel maakte de artsen ook sneller. De gemiddelde tijd die nodig was om een enkele casus te diagnosticeren, daalde van bijna 45 seconden naar minder dan 28 seconden, een reductie van 38 procent. Deze versnelling suggereert dat de computer de artsen hielp hun aandacht te richten, waardoor de tijd besteed aan het zoeken naar de blessure werd verminderd. Bovendien verbeterde de overeenstemming tussen de twee artsen toen zij beiden de computer gebruikten, wat suggereert dat het hulpmiddel een consistente standaard bood die hielp hun individuele verschillen in oordeel te verkleinen.

De studie concludeert dat hoewel dit computersysteem nog niet perfect genoeg is om een specialist te vervangen, het dient als een krachtige assistent. Het fungeert als een vangnet, met name voor minder ervaren clinici, door hen te helpen ernstige blessures op te merken die ze anders wellicht zouden missen, en dit sneller te doen. De onderzoekers merkten op dat de prestaties van het systeem werden beperkt door de moeilijkheid om de exacte grenzen van gescheurd weefsel te definiëren en door de subtiele visuele gelijkenissen tussen degeneratie en vroege scheuren. Ze wezen er ook op dat hun studie werd uitgevoerd in een enkel ziekenhuis, wat betekent dat het systeem getest moet worden op patiënten uit verschillende locaties en met verschillende soorten MRI-machines voordat het breed kan worden toegepast. Desalniettemin laten de bevindingen zien dat een goed ontworpen computerhulpmiddel effectief de menselijke besluitvorming kan ondersteunen, waardoor een traag en variabel proces wordt omgezet in een sneller en betrouwbaarder proces.