Clinical and CT radiomics-based differentiation between invasive pulmonary fungal infections and secondary pulmonary tuberculosis

De menselijke long is een complex landschap, en wanneer deze geïnfecteerd raakt, stuurt het lichaam vaak dezelfde noodsignalen uit, ongeacht de indringer. Twee bijzonder gevaarlijke en moeilijk te onderscheiden vijanden zijn invasieve pulmonale schimmelinfecties en secundaire pulmonale tuberculose. De eerste is een agressieve schimmelinvasie die gedijt bij mensen met een verzwakt immuunsysteem, vaak toeslagend bij mensen die langdurige medische behandelingen ondergaan of leven met ernstige ziekten. De tweede is een reactivatie van de bacteriën die tuberculose veroorzaken, die jarenlang latent aanwezig kunnen blijven voordat ze weer opvlammen. Beide aandoeningen kunnen koorts, hoesten en kortademigheid veroorzaken, en wanneer artsen naar een standaard CT-scan kijken — een gedetailleerde 3D-röntgenfoto van de borstkas — zien de beelden er vaak angstwekkend hetzelfde uit. Beide ziekten kunnen troebele vlekken, gaten in het weefsel of solide massa's creëren die lijken op knobbeltjes (noduli). Deze visuele verwarring is gevaarlijk omdat de behandelingen totaal verschillend zijn: de één vereist krachtige antischimmelmedicijnen, terwijl de ander specifieke antibiotica voor bacteriën nodig heeft. Het geven van het verkeerde medicijn kan fataal zijn, terwijl het onderscheid tussen de twee vaak afhangt van invasieve biopten of het dagenlang wachten op kweekresultaten uit het laboratorium, een vertraging die patiënten kwetsbaar laat.

Om dit probleem op te lossen, zetten een team van onderzoekers van ziekenhuizen in China zich in om een digitale tool te bouwen die kan zien wat het menselijk oog mist. Ze verzamelden gegevens van 283 patiënten, verdeeld in twee groepen: zij met bevestigde schimmelinfecties en zij met secundaire tuberculose. Het team verzamelde de medische geschiedenis van de patiënten, bloedtestresultaten en de werkelijke CT-scans die tijdens de initiële diagnose zijn gemaakt. Vervolgens pasten ze een techniek toe die radiomics wordt genoemd, waarbij een medische afbeelding niet alleen als een plaatje wordt behandना, maar als een enorme raster van datapunten. Terwijl een radioloog naar een scan kijkt om de vorm van een laesie te zien, meet de radiomics-software duizenden minuscule, onzichtbare patronen binnen die vorm — variaties in textuur, dichtheid en de rangschikking van pixels die te subtiel zijn voor een mens om op te merken. De onderzoekers combineerden deze verborgen beeldpatronen met specifieke klinische feiten, zoals of de patiënt al lange tijd breed spectrum antibiotica gebruikt, hun hemoglobinegehalte en hun neutrofielenaantal, een type witte bloedcel.

De onderzoekers bouwden eerst een model met alleen de klinische informatie. Ze ontdekten dat drie factoren opvielen als sterke indicatoren voor een schimmelinfectie: een geschiedenis van langdurig antibioticagebruik, een lager hemoglobinegehalte en een hoger neutrofielenaantal. Dit klinische model was nuttig, maar het was niet perfect. Vervolgens bouwden ze een apart model met alleen de radiomics-data die uit de CT-scans waren geëxtraheerd. Dit digitale model bleek veel scherper en identificeerde de schimmelinfecties met een hoge nauwkeurigheid door de unieke textuele vingerafdrukken van de ziekte te herkennen. Ten slotte voegden ze de twee benaderingen samen tot één geïntegreerde tool. Dit gecombineerde model, dat zowel het bloedonderzoek als de microscopische details van de longscansen meeweegt, presteerde het beste van allemaal. Bij testen maakte het de twee ziekten ongeveer 84 procent van de tijd correct onderscheid in een nieuwe groep patiënten, een significante verbetering ten opzichte van het gebruik van klinische tekenen alleen.

De ware test van deze nieuwe tool kwam toen de onderzoekers de prestaties ervan vergeleken met die van menselijke experts. Twee radiologen, één met meer dan vijftien jaar ervaring en een andere met zes jaar ervaring, bekeken dezelfde CT-scans en klinische gegevens om hun eigen diagnoses te stellen. Hoewel de ervaren arts redelijk goed presteerde, presteerde het computermodel nog steeds beter dan zowel de senior als de junior radioloog. De studie suggereert dat hoewel menselijke artsen vaardig zijn in het spotten van de duidelijke kenmerken van longziekten, ze moeite hebben met de subtiele, overlappende texturen die deze twee specifieke infecties definiëren. Het digitale model wordt echter niet moe of afgeleid; het meet consistent de duizenden datapunten die de ware aard van de ziekte definiëren.

Dit onderzoek beweert geen magische genezing of een perfecte oplossing te hebben gevonden die alle onzekerheid wegneemt. De auteurs erkennen dat hun tool werd getest op een specifieke groep patiënten en dat de onderzochte schimmelinfecties drie verschillende typen omvatten, die enigszins anders kunnen reageren. Ze merken ook op dat de methode afhankelijk is van scans van hoge kwaliteit en gestandaardiseerde gegevens, die per ziekenhuis kunnen variëren. Echter, de bevindingen bieden een concrete weg voorwaarts. Door een objectief, kwantitatief tweede oordeel te bieden, kan dit gecombineerde model artsen helpen om snellere, nauwkeurigere beslissingen te nemen. Voor een patiënt die in een ziekenhuisbed ligt met een verwarrende longinfectie, vertegenwoordigt deze tool een manier om door de visuele mist heen te snijden, zodat zij sneller de juiste behandeling krijgen en de dodelijke vertragingen die gepaard gaan met het gokken tussen twee zeer gelijkaardige vijanden worden vermeden.