Artikel • Vorgestellt auf dem RSNA
Die Rolle der Thorax-CT bei Covid-19 und anderen Lungeninfektionen
Beim virtuellen RSNA 2020 stellten internationale Experten neue Studien zur Rolle der Thorax-CT bei der Covid-19-Diagnostik und -Behandlung vor. Außerdem präsentierten sie einen Smartphone-Algorithmus, der helfen soll, Tuberkulose auf einfachen Röntgenaufnahmen der Lunge zu erkennen.
Bild: © Marcello Petrini
Die Zahl der Publikationen, die letztes Jahr zur Pandemie herausgegeben wurden, ist beachtlich: Durchschnittlich 367 Artikel zu Covid-19 werden Woche für Woche in Fachzeitschriften veröffentlicht, stellte Dr. Michael Chung, Assistenzprofessor für Radiologie an der Icahn School of Medicine at Mount Sinai in New York City, in seiner Rede zur Eröffnung des RSNA 2020 fest.
Radiologen trugen aktiv zu diesen Veröffentlichungen bei und arbeiteten zusammen, um - unterstützt von wissenschaftlichen Gesellschaften und Gesundheitsorganisationen wie der Fleischner Society und der WHO – die nötigen Stellungnahmen abzugeben und Richtlinien zu liefern. Dass angesichts intensiver Forschung im Bereich der Covid-19-Bildgebung KI-bezogene Projekte immer wichtiger werden, ist für Chung ein ganz natürlicher Schritt: „KI birgt das Potenzial, die vornehmlich diagnostische Rolle der Bildgebung bei Covid-19 auf die Stratifizierung von Patienten und die Vorhersage von Behandlungseffekten auszuweiten.“
KI auf dem Smartphone für eine gerechtere Nutzung des KI-Potenzials
Die aktuellen Fortschritte in der medizinischen Bildgebung betreffen allerdings nur reiche Länder, die mit neuester Technik und hoch aufgelösten Bildern arbeiten, stellt Dr. Po-Chih Kuo, Assistenzprofessor am Department of Computer Science der National Tsing Hua University in Taiwan, fest. „Der Wert, den die medizinische KI verspricht, erfüllt sich nicht, wenn sich gesundheitliche Unterschiede zwischen reichen und armen Ländern dadurch noch vertiefen. Wir müssen die Chancen medizinischer KI auch in Settings mit begrenzten Ressourcen nutzbar machen“, fordert Kuo und stellte dabei sein Forschungsprojekt vor: Wie Deep Learning sich auf die Erkennung von Tuberkulose auf Röntgenthoraxaufnahmen anwenden lässt, die per Smartphone abfotografiert werden. Tuberkulose hat in einkommensschwachen Ländern oft einen schweren Verlauf, weil es dort wenig Radiologen gibt und mehr als ein Drittel der geschätzten Fälle nicht diagnostiziert und gemeldet werden.
Eine Studie aus dem Jahr 2019, mit der anhand von sieben TB-Datensätzen beurteilt werden sollte, wie genau ein DL-Modell TB erkennen kann, ergab einen AUC-Wert von mehr als 0,997. DL kann also TB bei normalen Patienten auf Röntgenaufnahmen des Thorax hervorragend ausmachen, wie Kuo erklärte. „Allerdings ist die Thorax-Radiologie nicht überall dort, wo wir gerne TB-Screenings durchführen würden, auch digitalisiert“, berichtet Kuo weiter. „Hier könnten Smartphone-Algorithmen für die automatisierte Befundung der Röntgenaufnahmen von großem Nutzen sein.“ Kuo und seine Kollegen entwickelten einen Algorithmus namens TBShoNet, der auf Smartphones eingesetzt werden kann, um Gesundheitsdienstleistern in ressourcenknappen Gegenden zu helfen.
Die Forscher nutzten einen Datensatz mit 215.000 Röntgenaufnahmen der Lunge für das Vortraining des DenseNet und rekalibrierten dieses Modell mithilfe von Augmentierungsfunktionen zu einem fotospezifischen Modell, das sie durch Training auf Basis eines kleinen Datensatzes mit 80 TB-Fällen auf den Algorithmus TBShoNet transferierten. Schließlich prüften sie das Modell mit dem realen Foto aus den Röntgen-Datensätzen des Krankenhauses in Shenzhen. Alle Fotos von Röntgenthorax aufnahmen wurden als Trainingsdaten für TBShoNet verwendet. Zur Auswertung der Ergebnisse sahen sich die Forscher die Erkennungsgenauigkeit für TB- und normale Patienten an. Bei der Prüfung der Fotos erreichte TBShoNet einen AUC-Wert von 0,89, bei der TB-Erkennung eine Sensitivität und Klassifizierungssensibilität von 81% bzw. 84%.
DL-Algorithmus bei Thorax-CT zur Vorhersage nötiger Intensivbehandlung
Ein internationales Forscherteam untersuchte mithilfe Tausender von Bildern aus China, Japan, Italien und den USA, ob 3D-Deep-Learning klinische Ergebnisse bei Covid-19-Patienten auf Basis der Thorax-CT vorhersagen kann. „Es gibt viele Initiativen mit dem Ziel, Covid-19 mittels KI zu erkennen, die aber wegen Problemen mit der Datenvielfalt immer noch vor kritischen Herausforderungen stehen“, erklärte Dr. Ziyue Xu, leitender Forscher bei der NVIDIA Corporation, einem multinationalen Technologieunternehmen in Santa Clara, Kalifornien.
Die Forscher korrelierten 632 Thorax-CT-Scans von Covid-19-Patienten mit den klinischen Ergebnissen. Von diesen 632 Patienten mussten 69 auf die Intensivstation verlegt werden. Das Team entwickelte einen automatischen Algorithmus zur Segmentierung der gesamten Lunge. Auf Basis der lokalen Region-of-Interest in der Lunge trainierten die Forscher einen 3D-DL-Algorithmus zur Klassifizierung von Labels für das klinische Ergebnis mit fünffacher Kreuzvalidierung. Die Klassifizierungsmodelle ergaben eine Gesamtgenauigkeit von 92%, eine Sensitivität von 73% und Spezifität von 93,9% – trotz eines unausgewogenen Datensatzes, der gegen die Einweisung auf die Intensivstation gewichtet war, wie die Autoren schreiben. Der positive prädiktive Wert für die Vorhersage einer nötigen Intensivbehandlung betrug nur 53%, der negative prädiktive Wert aber 97%.
Ein derartiges Modell könnte Ärzte in Verbindung mit anderen klinischen Merkmalen warnen, dass möglicherweise eine höhere Wahrscheinlichkeit für eine Verlegung auf die Intensivstation besteht, erklärte Xu. „KI-basierte Deep-Learning-Algorithmen können bei Covid-19-Patienten, die am Tag der Einweisung per CT und PCR-Test untersucht wurden, klinische Ergebnisse wie eine nötige Intensivbehandlung allein auf Grundlage der Thorax-CT passabel vorhersagen. Dieses Modell ist mit einer relativ guten Vorhersagegenauigkeit und -spezifität realisierbar“, bestätigt Xu. Die aktuelle Studie sollte allerdings mit Vorsicht betrachtet werden, weil sie vorläufig ist und Beschränkungen aufweist im Hinblick auf „nicht ausgewogene Daten, die kleine Zahl positiver Fälle, das einzelne Prüfzentrum und die mangelnde Berücksichtigung klinischer Standardmessgrößen“, so Xu abschließend.
Bedeutung der Prävalenz beim prädiktiven Wert der Thorax-CT
Der positive und negative prädiktive Wert (PPV bzw. NPV) der Thorax-CT werden stark durch die Prävalenz der Erkrankung beeinflusst. Dies hat vor kurzem ein Forscherteam am Krankenhaus Guglielmo da Saliceto in Piacenza nachgewiesen. Die Forscher untersuchten die diagnostische Performance der CT bei schwerer Covid-19-Lungenentzündung in zwei verschiedenen Phasen der Epidemie an ihrem Krankenhaus. Das Team analysierte Thorax-CT-Scans von Patienten, die mit Verdacht auf Covid-19-Lungenentzündung eingewiesen und auch einem RT-PCR-Test (Reverse-Transkiptase-Polymerase-Kettenreaktion) unterzogen worden waren.
Der erste Satz Bilder stammte von 198 Patienten, die während des Ausbruchs zwischen dem 21. Februar und 7. März eingewiesen worden waren, mit einem Anteil positiver Abstriche von 89%. Die zweite Gruppe umfasste 146 Patienten mit Einweisung zwischen dem 6. und 13. April, nach 28 Tagen Lockdown, also in einer Phase geringerer Prävalenz (31% positive Abstriche). Das RT-PCR-Ergebnis wurde als Referenzstandard zur Berechnung der Sensitivität, Spezifität, PPV und NPV der CT in beiden Zeiträumen verwendet.
Während die Ergebnisse die hohe Sensitivität und geringe Spezifität der CT für Covid-19-Lungenentzündungen in beiden Gruppen bestätigten, stellten die italienischen Forscher fest, dass PPV und NPV je nach Prävalenz der Erkrankung schwanken. „Bei negativer CT liegt die Wahrscheinlichkeit einer Covid-19-Lungenentzündung in der Phase hoher Prävalenz bei 42% (NPV: 58%), in der Phase niedriger Prävalenz dagegen bei 4% (NPV: 96%)“, stellt der Radiologe und Mitautor der Studie, Dr. Marcello Petrini, klar.
Auch wenn der Evidenzgrad retrospektiver Studien immer gering ist, zeigt diese neue Arbeit doch, dass Radiologen bei der Behandlung von Patienten mit Covid-Lungenentzündung mehr Parameter als die Sensitivität und Spezifität im Blick behalten sollten: „PPV und NPV sollten bei der klinischen Behandlung von Patienten mit Verdacht auf Covid-19-Lungenentzündung als maßgebliche Werte beachtet werden“, lautete Petrinis Schlussfolgerung. (MR)
Profile:
Dr. Po-Chih Kuo (郭柏志) ist Assistenzprofessor am Department of Computer Science der National Tsing Hua University (NTHU) in Taiwan. Er hat sein Studium am Department for Computer Science and Information Engineering der National Cheng Kung University (NCKU) mit dem Bachelor of Science (BSc) abgeschlossen und am Institute of Computer Science and Engineering der National Chiao Tung University (NCTU) den PhD erworben. Als promovierter wissenschaftlicher Mitarbeiter in der Forschung war er am Labor für funktionelle Neurobildgebung des Institute of Statistical Science der Academia Sinica in Taipeh, Taiwan, sowie am Laboratory for Computational Physiology des Institute for Medical Engineering & Science am MIT tätig. Dr. Kuo war an Forschungsprojekten am Swartz Centre for Computational Neuroscience der University of California in San Diego beteiligt, wo er ein bildorientiertes Brain-Computer Interface (BCI) entwickelte. Am Institute of Statistical Mathematics in Tokio, Japan, arbeitete er an einer statistischen Schwellenwertmethode bei nicht-stationären fMRI-Daten. Am Institut für Neurowissenschaften und Medizin des Forschungszentrums Jülich wandte er zudem Methoden des maschinellen Lernens auf Bilder von Neurotransmitter-Rezeptoren für die Gehirnsegmentierung an.
Dr. Ziyue Xu kam 2018 als Senior Scientist zu NVIDIA, nachdem er als Staff Scientist und Lab Manager an den National Institutes of Health tätig war. Der Schwerpunkt seiner Forschung liegt auf Bildanalyse und maschinellem Sehen (Computer Vision) mit Anwendungen in der biomedizinischen und klinischen Bildgebung unter Einsatz von Formmodellierung, Graphmethoden und maschinellem Lernen. Er arbeitet zusammen mit Forscherkollegen und Ärzten seit mehreren Jahren an medizinischer KI. Ziyue hat die Tsinghua University 2006 mit dem BSc abgeschlossen und an der University of Iowa 2009/2012 den MSc/PhD erworben. Er ist Mitherausgeber der Fachzeitschriften Computerised Medical Imaging and Graphics (CMIG), IEEE Transactions on Medical Imaging (TMI), Journal of Biomedical and Health Informatics (JBHI) und Computers in Biology and Medicine (CBM).
Dr. Marcello Petrini ist Radiologe am Krankenhaus Guglielmo da Saliceto in Piacenza, Italien. Er hat sein Studium an der Universität Mailand abgeschlossen und war im Rahmen eines Fellowships im Bereich kardiale Bildgebung in Wien, Österreich, tätig. Im Jahr 2017 erwarb er sein Europäisches Diplom in Radiologie. Seine Fachrichtungen sind die kardiale und die Notfallradiologie. Die Covid-19-Pandemie in Europa nahm in der Nähe des Krankenhauses Guglielmo da Saliceto in Piacenza ihren Ausgang. Zusammen mit dem Krankenhausleiter Dr. Michieletti und dem Thoraxradiologen Dr. Colombi beschäftigte Petrini sich intensiv mit der Covid-19-Bildgebung. Er veröffentlichte Artikel in Radiology über CT-gestützte Ergebnisprognostik und in European Radiology zu Vergleichen zwischen CT und Ultraschall. Ein Beitrag in Emergency Radiology setzte sich mit qualitativen und quantitativen Parametern der Thorax-CT als Prädiktoren für spezifische Mortalität auseinander.
15.01.2021
