Machine/Deep Learning-Based Position Prediction of Pulmonary Nodules in Free- Breathing CT-Guided Lung Puncture: A Single-Center Prospective Cohort Study
Deze monocentrische prospectieve studie toont aan dat een nieuw machine learning-framework, dat uitsluitend een baseline CT-scan combineert met signalen van draagbare nasale luchtstroom of respiratoire inductieve plethysmografie, een real-time voorspelling van de positie van longnoduli met een submillimeterprecisie tijdens de vrije ademhaling kan bereiken, waardoor de veiligheid en efficiëntie van CT-geleide longpuncties wordt verbeterd zonder dat het vasthouden van de adem of aanvullende dynamische beeldvorming vereist is.
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
Stel je een arts voor die probeert een piepkleine naald in een klein, bewegend doelwit in de borstkas van een patiënt te plaatsen. Dit is een routine maar delicate procedure die wordt gebruikt om longnoduli te diagnosticeren of te behandelen, wat kleine groeicellen kunnen zijn die ofwel goedaardig of kwaadaardig kunnen zijn. De uitdaging is dat de longen nooit echt stilstaan; ze breiden uit en krimpen in met elke ademhaling, waardoor het doelwit op en neer drijft. Om dit te compenseren, vragen artsen patiënten vaak om hun adem in te houden, maar dat is moeilijk voor velen, vooral voor ouderen of mensen met longaandoeningen. Als de patiënt niet stil kan blijven zitten, moet de arts meerdere röntgenopnames maken om de beweging te volgen, wat de blootstelling aan straling verhoogt en de tijd die de patiënt op de tafel doorbrengt verlengt. Jarenlang heeft de medische gemeenschap gezocht naar een manier om precies te voorspellen waar dat doelwit zich op elk gewenst moment bevindt tijdens een normale ademhaling, zodat de arts nauwkeurig kan mikken zonder de patiënt te dwingen te stoppen met ademen of door eindeloze extra scans te moeten maken.
Een team van onderzoekers van het Peking University People's Hospital heeft een nieuwe methode ontwikkeld om dit probleem op te lossen met behulp van kunstmatige intelligentie en eenvoudige, draagbare sensoren. In een recente studie met 139 patiënten testten zij een systeem dat de verticale beweging van longnoduli kon voorspellen met sub millimeterprecisie. De onderzoekers vertrouwden niet op dure, complexe machines of nieuwe soorten scans met hoge straling. In plaats daarvan gebruikten ze een standaard planning-CT-scan om de locatie van de nodulus aanvankelijk te bepalen, en bevestigden ze vervolgens lichtgewicht, niet-invasieve sensoren aan de gezichten en torso's van de patiënten. Deze sensoren, vergelijkbaar met die die in slaapcentra worden gebruikt, monitorden de luchtstroom door de neus en de uitzetting van de borst en de buik terwijl de patiënten natuurlijk ademhaalden.
De kern van de studie was om te zien of een computer de relatie kon leren tussen deze ademhalingssignalen en de werkelijke beweging van de longnoduli. Het team verzamelde gegevens van 143 noduli, waarbij de exacte positie van elke nodulus werd vastgelegd tijdens meerdere CT-scans die werden gemaakt terwijl de patiënten vrij ademhaalden. Ze voerden deze informatie in twee verschillende soorten computermodellen in: één gebaseerd op een statistische methode genaamd een support vector machine, en een andere gebaseerd op een deep learning-algoritme bekend als ResNet-18. Het doel was dat de computer naar het ademhalingssignaal op elk gewenst moment kijkt en precies voorspelt waar de nodulus zich bevindt, zelfs als de patiënt midden in een ademhalingscyclus zit.
De resultaten waren opmerkelijk nauwkeurig. Wanneer de modellen werden getest op nieuwe gegevens die ze nog nooit eerder hadden gezien, was de statistische fout (gemeten als gemiddelde kwadratische fout) ongeveer 0,166 tot 0,198 mm². Cruciaal was dat de studie expliciet bevestigde dat de werkelijke absolute voorspellingsfouten voor de positie van de nodulus onder de 0,5 mm bleven voor alle modellen. Om dit in perspectief te plaatsen: de dikte van een menselijke haar is ongeveer 0,05 tot 0,1 millimeter, wat betekent dat de voorspelling nauwkeurig genoeg was om bewegingen te volgen die veel kleiner zijn dan de breedte van een enkele haar. Het systeem werkte consistent goed, ongeacht of de patiënt op de rug, de buik of de zij lag, en ongeacht of de nodulus zich in het bovenste of onderste deel van de long bevond. De modellen presteerden iets beter wanneer de neusluchtstroom werd gebruikt in vergelijking met het borstband-signaal, maar beide methoden bereikten de hoge mate van nauwkeurigheid die nodig is voor klinisch gebruik.
Deze aanpak biedt een significante verschuiving in de manier waarop deze procedures uitgevoerd kunnen worden. Momenteel, als een patiënt zijn adem niet kan inhouden, moet de arts de procedure herhaaldelijk onderbreken om nieuwe scans te maken en de positie van de naald te controleren, wat tijd en stralingsblootstelling toevoegt. Met dit nieuwe voorspellende hulpmiddel zou de arts theoretisch weten waar de nodulus zich op elke seconde van de ademhalingscyclus bevindt. Dit zou een soepeler, sneller proces mogelijk maken waarbij de naald continu geleid kan worden zonder de noodzaak van frequente onderbrekingen of gedwongen ademstops. Het systeem vereist alleen een standaard CT-scanner en een klein, draagbaar monitoringsapparaat, waardoor het een goedkope oplossing is die geïntegreerd kan worden in bestaande ziekenhuisworkflows zonder dat er dure robotarmen of grote infrastructurele wijzigingen nodig zijn.
De studie werd uitgevoerd als een single-center prospectieve trial, wat betekent dat de onderzoekers patiënten specifiek voor deze studie hebben gerekruteerd en hen door de procedure hebben gevolgd, in plaats van terug te kijken naar oude dossiers. Hoewel de resultaten veelbelovend zijn, merken de auteurs op dat het systeem voornamelijk is getest op patiënten die een specifiek type pre-operatieve lokalisatie voor longnoduli ondergaan. Zij suggereren dat verdere tests nodig zijn om te bevestigen dat de methode even goed werkt voor andere procedures, zoals het nemen van weefselmonsters of het wegbranden van tumoren, en in verschillende ziekenhuizen met verschillende apparatuur. De bevindingen demonstreren echter dat het mogelijk is om de onzichtbare beweging van een longnodulus in realtime te volgen met behulp van eenvoudige ademhalingssignalen en machine learning. Door de chaotische beweging van ademhaling te veranderen in een voorspelbaar patroon, kan deze technologie longinterventies veiliger, sneller en minder belastend maken voor patiënten die niet hun adem kunnen inhouden.
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.