A Study on the Application of Multimodal MRI Deep Learning in the Early Detection of Osteonecrosis of the Femoral Head

Het menselijk lichaam is een complexe machine, maar sommige van de meest kritieke defecten treden geruisloos op, diep binnenin de gewrichten waar botten samenkomen. Een dergelijke aandoening is osteonecrose van de femurkop, een ziekte waarbij de bloedtoevoer naar de kop van het dijbeen wordt onderbroken, waardoor het botweefsel afsterft. Dit proces is in de vroegste stadia vaak pijnloos, maar als het onbehandeld blijft, kan het verzwakte bot inklappen, wat leidt tot hevige pijn, verlies van bewegingsvrijheid en uiteindelijk de noodzaak voor een totale heupvervanging. Omdat het venster om het gewricht te redden smal is, is het vroegtijdig opsporen van de ziekte van vitaal belang. Decennialang hebben artsen vertrouwd op magnetische resonantiebeeldvorming, een krachtige scantechnologie die in het lichaam kan kijken zonder chirurgie, om deze vroege waarschuwingssignalen op te sporen. Het interpreteren van deze scans is echter een veeleisende taak die een hooggetraind oog vereist om subtiele veranderingen in de bottextuur te onderscheiden van normale variaties, een proces dat per arts kan verschillen en soms de zwakste aanwijzingen van problemen kan missen.

In een recente inspanning om meer consistentie en snelheid te brengen in deze levensveranderende diagnose, hebben onderzoekers van verschillende medische en technologische instellingen in China een nieuwe manier ontwikkeld om kunstmatige intelligentie te gebruiken. Ze maakten gebruik van een specifiek type computerprogramma dat bekend staat als een deep learning-model, dat fungeert als een digitaal oog dat getraind is om patronen te herkennen. Specifiek testten ze een familie van deze programma's genaamd YOLO, wat staat voor "You Only Look Once". Deze programma's staan bekend om hun vermogen om een afbeelding te scannen en objecten bijna onmiddellijk te identificeren, een vaardigheid die gewoonlijk te zien is bij zelfrijdende auto's of beveiligingscamera's, maar hier toegepast op medische scans. Het team wilde zien of ze deze programma's konden leren om de vroege tekenen van botsterfte in heupscans met een grotere nauwkeurigheid dan een mens te vinden, en om dit snel genoeg te doen om nuttig te zijn in een druk ziekenhuis.

De onderzoekers verzamelden een grote collectie heupscans van twee verschillende ziekenhuizen, waarbij honderden patiënten betrokken waren die aan de aandoening leden of gezond waren. Ze concentreerden zich op twee specifieke soorten beelden die artsen routinematig maken: één die de gedetailleerde structuur van het bot laat zien en een andere die vloeistof en ontsteking accentueert. In een typisch medisch onderzoek bekijkt een arts beide beelden afzonderlijk om het volledige beeld te krijgen. Het team vroeg zich af of het de computer leren om naar beide beelden tegelijk te kijken, alsof het één gecombineerd beeld is, zou helpen om de ziekte beter op te sporen. Om het antwoord te vinden, voerden ze een reeks rigoureuze tests uit. Eerst trainden ze zes verschillende versies van de YOLO-software op scans van een enkel centrum, waarbij 251 deelnemers betrokken waren, om te zien welke het beste was in het vinden van het probleem. Ze maten niet alleen hoe vaak de computer gelijk had, maar ook hoe snel hij een beslissing kon nemen, omdat in een echt ziekenhuis snelheid net zo belangrijk is als nauwkeurigheid.

De resultaten wezen op een duidelijke winnaar. Een van de nieuwere versies van de software, bekend als versie 11, bleek de meest effectieve te zijn. Het slaagde erin de ziekte in bijna alle gevallen waarin het werd getest te identificeren, waarbij het zeer weinig gevallen miste, terwijl het elke scan in minder dan vijf milliseconden verwerkte. Deze snelheid is zo groot dat de computer theoretisch duizenden scans kan analyseren in de tijd die een mens nodig heeft om een kopje koffie te drinken. Belangrijker nog, de studie bevestigde dat de strategie om de twee soorten beelden te combineren beter werkte dan het afzonderlijk bekijken van één van beide. Wanneer de software beide structurele en vloeistofgevoelige beelden samen kreeg, werd het zelfs nauwkeuriger en, verrassend genoeg, zelfs sneller. Dit kwam omdat de computer de sterke punten van beide beelden simultaan kon gebruiken, waarbij het de duidelijke botcontouren van de ene gebruikte om de zoektocht te sturen en de vloeistofsignalen van de andere om de aanwezigheid van schade te bevestigen.

De studie onderzocht ook hoe de software zich gedraagt onder verschillende omstandigheden. De onderzoekers ontdekten dat de computer kan worden afgesteld om extreem voorzichtig te zijn, waardoor het zelden een geval mist, of afgesteld kan worden om zeer strikt te zijn, waardoor het zelden een vals alarm geeft. Ze ontdekten dat voor het doel van het screenen van patiënten om ervoor te zorgen dat niemand wordt gemist, een instelling die prioriteit geeft aan het vinden van elk mogelijk geval de meest betrouwbare aanpak is. De computer was in staat om met een hoge mate van vertrouwen onderscheid te maken tussen een gezonde heup en een heup met vroege schade, waarbij het vaak een zekerheidsscore toekende variërend van 0,7 tot 0,9 voor normale specimens en rond de 0,9 voor abnormale laesies. Hoewel de software niet perfect is en nog steeds een arts vereist om de definitieve beslissing te nemen, fungeert het als een krachtig tweede paar ogen dat nooit moe wordt en nooit een subtiel detail over het hoofd ziet door vermoeidheid.

Dit werk suggereert een praktische weg vooruit voor hoe kunstmatige intelligentie artsen in de orthopedie kan ondersteunen. Door een model te gebruiken dat zowel snel als nauwkeurig is, en door het de volledige reeks informatie te voeden die beschikbaar is in een standaard medisch onderzoek, zouden ziekenhuizen potentieel meer patiënten in minder tijd kunnen screenen, waardoor de ziekte wordt opgevangen voordat het bot inklapt. De onderzoekers merkten op dat hoewel hun bevindingen veelbelovend zijn, ze gebaseerd zijn op een specifieke set gegevens en in de echte klinische praktijk met een breder scala aan patiënten moeten worden getest om hun betrouwbaarheid te bevestigen. Desalniettemin biedt de studie een solide fundament voor het bouwen van intelligente hulpmiddelen die kunnen helpen bij het behoud van gewrichten en het verbeteren van de levenskwaliteit van mensen die te maken hebben met deze stille maar serieuze aandoening. Het uiteindelijke doel is niet om de arts te vervangen, maar om hem een scherper, sneller instrument te geven om de juiste beslissing op het juiste moment te kunnen nemen.