A hybrid radiomics–3D CNN model using non-contrast CT for esophagogastric variceal bleeding risk prediction in cirrhosis
Deze studie heeft een hybride radiomics–3D CNN-model ontwikkeld en gevalideerd met behulp van CT zonder contrastmiddel, dat effectief het risico op oesofagogastrische varicele bloedingen bij cirrotische patiënten voorspelt, wat een veelbelovende niet-invasieve tool biedt voor het sturen van beslissingen over profylactische behandeling.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Levercirrose is een aandoening waarbij de lever littekenweefsel vormt en stijf wordt, een toestand die het bloed dwingt om nieuwe, gevaarlijke routes door het lichaam te zoeken. Een van de meest ernstige gevolgen van deze druk is het opzwellen van de aders in de slokdarm en de maag, bekend als varices. Deze opgezwollen aders zijn kwetsbaar en kunnen zonder waarschuwing knappen, wat een levensbedreigende bloeding veroorzaakt die een aanzienlijk deel van de getroffenen fataal wordt. Momenteel is de standaardmethode om dit gevaar te controleren een endoscopie, een procedure waarbij een camera via de keel naar beneden wordt gebracht. Hoewel effectief, is deze methode invasief, oncomfortabel voor de patiënt en moeilijk frequent te herhalen, vooral voor mensen met andere gezondheidsproblemen. Artsen hebben een manier nodig om het risico vroegtijdig en vaak te detecteren, zonder patiënten bloot te stellen aan herhaalde invasieve onderzoeken of aan de risico's van contrastmiddelen die bij standaardscans worden gebruikt.
Een team onderzoekers van het Handan Central Hospital heeft een ander pad verkend door gebruik te maken van een type medische beeldvorming dat al algemeen voorkomt en veilig is: een niet-contrast computertomografie (CT)-scan van de buik. In tegen afwezigheid van de standaardscans die jodiumhoudende contrastvloeistof gebruiken om bloedvaten te laten oplichten, vertrouwt deze techniek op de natuurlijke dichtheid van weefsels. Hoewel deze gewone scans de opgezwollen aders niet direct kunnen tonen, vermoedden de onderzoekers dat de subtiele veranderingen in de lever, de milt en de omliggende bloedvaten de aanwijzingen konden bevatten die nodig zijn om een bloeding te voorspellen. Om deze verborgen patronen te ontsluiten, combineerden ze twee krachtige manieren van beeldanalyse: één die specifieke texturen en vormen meet, en een andere die kunstmatige intelligentie gebruikt om zelfstandig complexe patronen te leren.
De studie richtte zich op 137 patiënten met levercirrose die deze gewone CT-scans hadden ondergaan. De onderzoekers verdeelden de groep in twee categorieën op basis van wat er het volgende jaar gebeurde: 47 patiënten ervoeren een varische bloeding, terwijl 90 dat niet deden. Het team leerde een computer om naar zeven specifieke gebieden in de scan te kijken, waaronder de lever, de milt, de slokdarm, de maag en drie belangrijke aders. Ze gebruikten een methode genaamd radiomics om de beelden op te breken in duizenden minuscule, meetbare details, zoals hoe ruw de textuur van de milt eruitzag of de exacte vorm van het leveroppervlak. Tegelijkertijd gebruikten ze een driedimensionaal model voor kunstmatige intelligentie, een type deep learning-netwerk, om dezelfde beelden te scannen en zijn eigen set kenmerken te leren die een mens misschien zou missen.
De onderzoekers bouwden vervolgens een "fusiemodel" dat de gedetailleerde metingen uit de radiomics-benadering combineerde met de complexe patronen die door de kunstmatige intelligentie waren geleerd. Ze testten dit gecombineerde systeem door het te trainen op de meeste patiënten en de nauwkeurigheid te controleren op de rest, waarbij ze dit proces vijf keer herhaalden om ervoor te zorgen dat de resultaten betrouwbaar waren. Het resultaat was een hulpmiddel dat het verschil kon zien tussen patiënten die zouden bloeden en patiënten die dat niet zouden doen met een hoge mate van prestatie. Het model bereikte een AUC van 0,88. Belangrijker nog, het was zeer goed in het uitsluiten van gevaar; het model behaalde een AUC van 0,94 voor het identificeren van laag-risicopatiënten. Dit hoge niveau van zekerheid bij het identificeren van veilige patiënten is cruciaal, omdat het artsen in staat kan stellen om onnodige invasieve procedures te vermijden voor degenen die ze niet nodig hebben.
De studie onderzocht ook hoe goed de voorspellingen van het model overeenkwamen met de werkelijkheid. Na het aanpassen van de cijfers om ervoor te zorgen dat ze betrouwbaar waren, toonde het model aan dat zijn waarschijnlijkheidsschattingen zeer betrouwbaar waren. Wanneer de onderzoekers testten of het gebruik van dit hulpmiddel artsen daadwerkelijk zou helpen om betere beslissingen te nemen, vonden zij dat het een duidelijk voordeel bood ten op staten van simpelweg iedereen behandelen of niemand behandelen. Het model presteerde beter dan het gebruik van de textuurmetingen of de kunstmatige intelligentie alleen, wat suggereert dat de twee methoden verschillende, complementaire informatie bieden. De textuurmetingen legden de bekende fysieke veranderingen in de organen vast, terwijl de kunstmatige intelligentie subtiele ruimtelijke patronen vond die het menselijk oog of eenvoudige metingen niet gemakkelijk konden beschrijven.
Ondanks deze veelbelovende resultaten merken de onderzoekers voorzichtig op dat dit een pilotstudie is met een relatief kleine groep patiënten van één enkel ziekenhuis. Het model is niet getest tegen de standaard klinische scores die artsen vandaag de dag gebruiken, noch is het getest op een grotere, diverse groep mensen om te zien of het overal werkt. Het proces van het omlijnen van de specifieke lichaamsdelen voor de computer om te analyseren, werd handmatig door artsen gedaan, wat tijd kost en enigszins kan variëren van persoon tot persoon. De auteurs suggereren dat hoewel deze aanpak een groot potentieel laat zien als een veilige, herhaalbare en niet-invasieve manier om het bloedingsrisico te screenen, er grotere studies nodig zijn voordat het routinematig in klinieken kan worden gebruikt. Voor nu demonstreert hun werk dat zelfs een gewone CT-scan, wanneer bekeken door de lens van geavanceerde data-analyse, cruciale informatie over de toekomstige gezondheid van een patiënt kan onthullen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.