Early Diagnosis of Ischemic Stroke on Non-Contrast CT Scans Using a Convolutional Neural  Network: A Case Study from Mulago National Referral Hospital, Uganda

Technische Samenvatting: Vroege Diagnose van Ischemische Beroerte op Non-Contrast CT-scans met behulp van een CNN in Oeganda

Probleemstelling
In lage- en middeninkomenslanden (LMIC's), in het bijzonder Oeganda, wordt de diagnose van ischemische beroerte vaak vertraagd door een tekort aan gespecialiseerde radiologen. Hoewel non-contrast computertomografie (NCCT) de meest breed beschikbare beeldvormingsmodaliteit is bij vermoedelijke beroerte, is het detecteren van vroege ischemische veranderingen op deze scans uitdagend en vereist dit doorgaans deskundige interpretatie. In publieke ziekenhuizen zoals het Mulago National Referral Hospital zijn rapportagevertragingen van drie tot vijf dagen gebruikelijk, aangezien radiologen prioriteit geven aan trauma en andere noodgevallen. Bestaande computerondersteunde diagnostische oplossingen vertrouwen vaak op geavanceerde beeldvorming (bijv. CT-perfusie of angiografie) die niet beschikbaar is in omgevingen met beperkte middelen, of ze bieden geen point-of-care interfaces die bruikbaar zijn voor niet-technisch personeel.

Methodologie
Deze studie maakte gebruik van een retrospectief diagnostisch accuratesie-ontwerp om een Convolutional Neural Network (CNN) te ontwikkelen en te valideren voor de detectie van vroege ischemische beroerte, uitsluitend gebruikmakend van NCCT-scans van het Mulago National Referral Hospital.

• Dataset: De studie maakte gebruik van 1.000 geanonimiseerde NCCT-scans (500 bevestigde ischemische beroerte, 500 controles) verzameld tussen januari 2022 en juni 2023. De afbeeldingen werden gecureerd uit een totale pool van 1.450 scans na uitsluiting van scans met bewegingsartefacten, incomplete series of beschadigde metadata.
• Annotatie: Drie radiologen met meer dan vijf jaar ervaring in neuroimaging annoteerden onafhankelijk de 500 stroke-positieve scans, waarbij zij zich richtten op vroege tekenen zoals hypoattenuatie, sulcale effacement en verlies van de grijze-witte stof differentiatie. De inter-rater betrouwbaarheid was sterk (Cohen's κ = 0,83), waarbij discrepanties werden opgelost via consensus om een referentiestandaard te creëren.
• Preprocessing: De pipeline omvatte intensiteitsnormalisatie, resizing naar gestandaardiseerde dimensies en data-augmentatie (rotaties, translaties, flips). Geëxtraheerde kwantitatieve kenmerken omvatten intensiteitsmetrieken, vormbeschrijvers en textuurkenmerken afgeleid van Gray Level Co-occurrence Matrix (GLCM) eigenschappen.
• Modelarchitectuur: Een 2D CNN werd ontwikkeld in PyTorch om individuele slices te analyseren. De architectuur bestond uit convolutie- en poolinglagen voor extractie van kenmerken, gevolgd door volledig verbonden (fully connected) lagen en een softmax output. Technieken om overfitting te voorkomen waren onder meer dropout, L2-regularisatie en batch normalisatie. Het model werd getraind met de Adam-optimizer over 100 epochs met GPU-acceleratie.
• Evaluatiestrategie: Prestaties werden beoordeeld met behulp van vijf-voudige kruisvalidatie (80% training, 20% testen). Daarnaast werd een vergelijkende analyse uitgevoerd op een strikt apart gehouden onafhankelijke subset van 30 gevallen (15 beroerte, 15 geen beroerte) tegenover een senior consultant radioloog.
• Implementatie: Een webgebaseerde interface werd ontwikkeld met behulp van een RESTful API (Flask backend, HTML/CSS/JavaScript frontend) om veilige upload van DICOM-, JPEG- of PNG-bestanden mogelijk te maken en automatische inferentie-resultaten weer te geven.

Belangrijkste Resultaten

• Modelprestaties: Over de vijf-voudige kruisvalidatie behaalde de CNN een gemiddelde nauwkeurigheid van 90,2% (±1,8), sensitiviteit van 91,4% (±1,7), specificiteit van 89,0% (±2,1) en een Area Under the Curve (AUC) van 91,3% (±1,7). De prestaties bleven stabiel over de verschillende validatiefolds.
• Vergelijking met Radioloog: Op de onafhankelijke subset van 30 gevallen behaalde de senior radioloog 100% sensitiviteit en 95% specificiteit, waarbij nul gevallen werden gemist. De CNN behaalde 86,7% sensitiviteit en 88,7% specificiteit, waarbij twee beroertegevallen werden gemist. Statistische analyse (McNemar's test) gaf aan dat het verschil in diagnostische prestaties niet statistisch significant was (p = 0,21).
• Efficiëntie: Het meest significante verschil was de verwerkingstijd. De CNN verwerkte scans in ongeveer 3 seconden per geval, vergeleken met de 5 minuten die nodig zijn voor handmatige interpretatie door een radioloog.
• Platformfunctionaliteit: De webgebaseerde interface demonstreerde succesvol het vermogen om scans te uploaden, automatische analyse uit te voeren en resultaten binnen enkele seconden te genereren in een gesimuleerde ziekenhuisomgeving.

Belangrijkste Bijdragen

1. Lokaal Getraind Model: De studie presenteert een CNN die uitsluitend is getraind op data van een Oegandisch nationaal verwijzingsziekenhuis, wat ingaat op de specifieke beeldkenmerken en de beperkte middelen in de regio.
2. Afhankelijkheid van Routinebeeldvorming: In tegenstelling tot veel geavanceerde AI-beroertemodellen werkt dit systeem uitsluitend op non-contrast CT-scans, de meest toegankelijke modaliteit in LMIC's, in plaats van te vereisen dat er perfusie of angiografie wordt uitgevoerd.
3. Geïntegreerde Implementatie: Het onderzoek gaat verder dan experimentele algoritmen door een functioneel, browsergebaseerd platform te leveren met een RESTful API, ontworpen voor gebruik door niet-technisch medisch personeel.
4. Validatie in een Context met Beperkte Middelen: De studie valideert dat een hoge diagnostische prestatie haalbaar is in omgevingen met beperkte radiologische expertise, wat een potentieel instrument biedt voor snelle triage.

Betekenis en Claims
De auteurs claimen dat het geïntegreerde systeem een diagnostische nauwkeurigheid biedt die vergelijkbaar is met die van een senior radioloog, terwijl het resultaten aanzienlijk sneller levert. De studie suggereert dat een dergelijk platform veelbelovende potentie heeft om de ondersteuning bij beroertriage te verbeteren en diagnostische vertragingen te verminderen in omgevingen waar specialistische radiologen schaars zijn. De auteurs benadrukken dat het systeem een kritieke flessenhals in de diagnostiek bij acute zorg aanpakt.

De tekst behoudt echter een bescheiden toon met betrekking tot de huidige impact. De auteurs stellen expliciet dat het platform nog niet klinisch in gebruik is genomen en alleen is getest in een gesimuleerde omgeving met geanonimiseerde data. Zij erkennen beperkingen, waaronder het single-center karakter van de data, het gebrek aan visuele interpreteerbaarheidskenmerken (bijv. heatmaps) en het ontbreken van gestructureerde feedback van eindgebruikers. Bijgevolg concluderen de auteurs dat verdere multicenter validatie en real-world pilotimplementatie noodzakelijk zijn voordat grootschalige inzet kan worden aanbevolen.