Four-grade lumbar foraminal stenosis grading on sagittal T2-weighted MRI: a patient-disjoint evaluation of ordinal modelling, moderate-to-severe auxiliary supervision, and fixed DeiT fusion

Rugpijn is een universele menselijke ervaring, die vaak wordt herleid tot een vernauwing van de kleine openingen in de wervelkolom waar de zenuwen uitkomen. Artsen noemen dit lumbale foraminale stenose. Om dit te zien, gebruiken ze doorgaans magnetische resonantiebeeldvorming, of MRI, die gedetailleerde beelden van de zachte weefsels van het lichaam maakt. In een standaardonderzoek kijken artsen naar beelden die vanaf de zijkant zijn genomen, bekend als sagittale aanzichten, om te beoordelen hoe nauw deze zenuwbanen zijn. Ze sorteren de aandoening meestal in vier niveaus: normaal, mild, matig of ernstig. Deze gradatie is cruciaal omdat het de behandeling bepaalt, maar het rust op een menselijke arts die naar een scherm staart en een oordeel velt.

Onlangs is er een beweging geweest om deze MRI-onderzoeken sneller en minder belastend voor patiënten te maken. Een manier om dit te doen, is door ons te concentreren op het specifieke type beeld dat het beste de gezondheid van vloeistof en zenuwen laat zien, vaak een T2-gewogen scan genoemd, in plaats van een volledig scala aan verschillende soorten beelden uit te voeren. Er bleef echter een grote vraag bestaan: kan een computer deze vier niveaus van ernst leren beoordelen door alleen naar deze specifieke, gestroomlijnde beelden te kijken? Hoewel computers al getraind zijn om dit te doen op een ander type beeld, was het onduidelijk of dezelfde logica zou werken wanneer het beeld zelf verandert. De uitdaging is dat de vier gradaties niet zomaar willekeurige categorieën zijn; ze zijn een ladder. Een fout waarbij een mild geval met een normaal geval wordt verward, is anders dan een fout waarbij een ernstig geval met een matig geval wordt verward. Een computer moet deze volgorde begrijpen om echt nuttig te zijn.

Een onderzoeker genaamd Wuke Peng zette zich in om deze vraag te beantwoorden door een computer te leren deze ruggenwervelcondities te gradueren met behulp van alleen de zijwaartse beelden. De studie omvatte bijna drieduizend specifieke regio's van de wervelkolom, afkomstig van 468 verschillende patiënten. De computer kreeg deze beelden te zien en werd gevraagd ze in de vier categorieën te sorteren. Om de resultaten betrouwbaar te maken, gebruikte de onderzoeker een strikte testmethode waarbij de computer werd getraind op sommige patiënten en werd getest op volledig andere patiënten die hij nog nooit eerder had gezien, waarbij dit proces vijf keer werd herhaald om er zeker van te zijn dat de resultaten consistent waren.

De studie testte verschillende benaderingen om te zien welke het beste werkte. Eén benadering behandelde de vier gradaties als eenvoudige, ongerelateerde labels. Een andere benadering probeerde de computer te leren dat de gradaties een sequentie waren, zoals treden op een ladder. Een derde idee was om de computer tijdens de training een hint te geven: een simpel signaal dat vertelde of een geval in de matige of ernstige range viel, zonder het exacte niveau te vermelden. De onderzoekers testten ook of het combineren van twee verschillende soorten computervisiestelsels — één die naar kleine details kijkt en een andere die naar het hele plaatje kijkt — een beter resultaat zou opleveren dan elk systeem alleen.

De bevindingen toonden aan dat er geen enkele magische truc is die voor elke situatie werkt. De benadering die de gradaties als een sequentie behandelde, hielp wel wanneer deze werd gekoppeld aan één type computersysteem, wat de bekwaamheid verbeterde om tussen de niveaus te onderscheiden. Echter, deze zelfde benadering zorgde er juist voor dat een ander, moderner computersysteem slechter presteerde. Op dezelfde manier hielp de extra hint over matig-tot-ernstige gevallen in sommige opstellingen, maar schaadde het de prestaties in andere. Dit suggereert dat het simpelweg toevoegen van complexere regels of extra hints een computer niet automatisch slimmer maakt; de regels moeten passen bij het specifieke type computer dat wordt gebruikt.

De meest significante ontdekking ging over hoe deze verschillende computersystemen samenwerken. Wanneer de onderzoekers de output van een standaard computersystem met een geavanceerder systeem combineerden, dat getraind was om de sequentie van gradaties te begrijpen, was het resultaat een substantiële verbetering. Deze combinatie, die een vaste regel gebruikte om hun meningen te mengen, tilde de nauwkeurigheid van de gradatie naar een nieuw hoogtepunt. Het gecombineerde systeem identificeerde de ernst van de vernauwing van de wervelkolom correct in ongeveer 75 procent van de gevallen, een opmerkelijke sprong ten opzichte van de zelfstandige systemen. Het verminderde ook de gemiddelde omvang van de fouten die de computer maakte.

Cruciaal was dat de studie aantoonde dat het succes van dit gecombineerde systeem niet kwam door de extra hint over matig-tot-ernstige gevallen. Sterker nog, wanneer de onderzoekers die hint toevoegden aan het moderne computersysteem, maakte het de prestaties van het zelfstandige systeem slechter. De combinatie van de twee verschillende computersystemen was in staat deze fouten te corrigeren en de prestaties te redden, wat suggereert dat de twee systemen de beelden op complementaire manieren bekeken. Het ene systeem was wellicht goed in het spotten van een specifieke textuur, terwijl het andere beter was in het herkennen van de algemene vorm van de zenuwopening. Samen dekten ze elkaars blinde vlekken.

De studie keek ook naar waar de computer daadwerkelijk naar "keek" wanneer hij zijn beslissingen nam. Door te visualiseren welke delen van het beeld de keuze van de computer beïnvloedden, bevestigden de onderzoekers dat het systeem zich concentreerde op de relevante anatomische gebieden, zoals de zenuwopeningen zelf, in plaats van op willekeurige ruis. Dit gaf vertrouwen dat de computer de juiste kenmerken leerde om zijn oordelen te vellen.

Uiteindelijk demonstreert dit onderzoek dat het mogelijk is om een betrouwbaar computersysteem te bouwen dat spinale stenose gradueert met behulp van alleen de gestroomlijnde, zijwaartse beelden die artsen steeds vaker gebruiken om tijd te besparen. Echter, de weg naar dat succes is geen rechte lijn van het toevoegen van meer functies. In plaats daarvan vereist het een zorgvuldige afstemming van de methode waarmee de computer wordt onderwezen op het specifieke type computer dat wordt gebruikt, en het erkennen dat het combineren van verschillende soorten visiesystemen krachtiger kan zijn dan welk enkel systeem dan ook. Het werk biedt een solide technische basis voor toekomstige medische workflows waarbij snellere, eenvoudigere MRI-scans nog steeds nauwkeurige, geautomatiseerde diagnoses kunnen opleveren, wat potentieel de tijd die patiënten in de scanner doorbrengen kan verminderen zonder de kwaliteit van de zorg op te offeren.