Deep Learning zur Vorhersage der Ätiologie von Leberzirrhose aus klinischen MRT-Untersuchungen

Zielsetzung Die Identifizierung der zugrundeliegenden Ätiologie ist für die zielgerichtete Therapie der Leberzirrhose von entscheidender Bedeutung. In dieser Studie sollte geprüft werden, ob es anhand von Deep Learning-Anwendungen möglich ist, die Ätiologie von Leberzirrhose aus klinischen MRT-Untersuchungen vorherzusagen.

Material und Methoden Der Datensatz für diese retrospektive Studie bestand aus klinischen Leber-MRT-Untersuchungen von 465 Patienten mit gesicherter Leberzirrhose. Die Patienten wurden gemäß der Ätiologie in die Gruppen (a) äthyltoxische (N = 221) und (b) nicht-äthyltoxische Genese (N = 244) eingeteilt. Für jeden Patienten wurden 2D-Datensätze auf Höhe des Lobus caudatus generiert. Die Leber wurde aus diesen Bilddaten automatisch mittels eines auf der frei verfügbaren Datenbank ImageNet vortrainierten künstlichen neuronalen Netzes (ResNet34) segmentiert. Die Kohorte wurde in einen Trainings- (85%) und einen Testdatensatz (15%) unterteilt, wobei die Datensätze in Bezug auf die Gruppen (a) und (b) ausgeglichen waren. Zwei ebenfalls auf ImageNet vortrainierte künstliche neuronale Netze (ResNet50, DenseNet121) wurden auf die Klassifikation der Untersuchungen gemäß den Gruppen (a) und (b) trainiert. Die diagnostische Genauigkeit wurde anhand der „Accuracy“ (ACC) und der „Area Under the Curve“ (AUC) bewertet.

Ergebnisse Nach fünffacher Kreuzvalidierung wurden eine mittlere ACC von 0.74 und AUC von 0.83 für ResNet50 sowie eine ACC von 0.71 und AUC von 0.82 für DenseNet121 auf Trainingsdaten ermittelt. Die beste Klassifikationsleistung auf dem Testdatensatz wurde für ResNet50 mit einer ACC von 0.75 (95% Konfidenzintervall (95% KI): 0.64 – 0.85) und einer AUC von 0.82 (95% KI: 0.72 – 0.92) beobachtet.

Schlussfolgerungen Deep Learning-Anwendungen erlauben eine zuverlässige Unterscheidung von äthyltoxischer und nicht-äthyltoxischer Leberzirrhose basierend auf klinischen Leber-MRT-Untersuchungen. Deep Learning-Anwendungen könnten somit dazu beitragen, die Ätiologie von Leberzirrhose aus klinischer Routinebildgebung vorherzusagen.

Publication History

Article published online:
11 May 2021