KI-basierte Auswertung von Röntgenbildern zur Früherkennung der BPD

Zielsetzung Eine Hauptursache für die Mortalität und Morbidität extrem unreifer Frühgeborener ist die bronchopulmonale Dysplasie (BPD). Die Diagnose wird üblicherweise erst mit 36 Schwangerschaftswochen (SSW) klinisch gestellt. Allerdings finden sich häufig bereits frühzeitig röntgenologische Hinweise für die Entstehung einer BPD. Mit Hilfe einer KI-basierten Analyse von Routineröntgenbildern Frühgeborener sollte untersucht werden, wie gut sich die BPD voraussagen lässt.

Materialien und Methoden Es wurden 776 Röntgenbilder des 7.-28. Lebenstages von 224 extrem unreif geborenen Kindern (Geburtsgewicht<1000g, Alter bei Geburt<27+0 SSW) verwendet. Die Röntgenbilder wurden vor Training der künstlichen Intelligenz prozessiert und extrapulmonale Hinweise und Risikofaktoren für die Entwicklung einer BPD (z.B. Tubus) entfernt. Es erfolgte eine Einteilung der Probanden anhand der Schwere der BPD mit 36 SSW anhand der Definition des NICHD [1], nach der Klassifikation von Jensen et al. [2] und anhand des pulmonalen Outcomes i.S. einer über die Entlassung hinausreichenden Atemunterstützung bzw. Sauerstoffbedarf. Getestet wurde die Vorhersagekraft der auf künstlicher Intelligenz beruhenden Modelle in Hinblick auf die Entwicklung einer BPD anhand der beschriebenen Kriterien. Die verwendete künstliche Intelligenz basiert auf einem deep learning Algorithmus eines convolutional neural network (CNN) mit der Netzwerkarchitektur eines Residual neural networks (ResNEt).

Ergebnisse Die Vorhersagekraft der unterschiedlichen Modelle variierte in Abhängigkeit von der Fragestellung. Mit einer ROC AUC von 0,62 erbrachte das Modell der dritten Generation in Hinblick auf die Prädiktion einer BPD nach der Definition des NICHD das beste Ergebnis. Bezüglich der Prädiktion einer BPD nach der Klassifikation nach Jensen et al. erbrachte das Modell der ersten Generation mit einer ROC AUC von 0,66 das beste Ergebnis. In Hinblick auf die Prädiktion des pulmonalen Outcomes fand sich auch im besten Modell eine schlechtere Performance (ROC AUC=0,6) als für die Voraussage der BPD entsprechend der beiden klinischen Definitionen.

Zusammenfassung Es ist gelungen, ein Modell basierend auf einer künstlichen Intelligenz zur Prädiktion einer BPD zu entwickeln und ausschließlich aufgrund pulmonaler, röntgenologischer Auffälligkeiten, in einem Hochrisikokollektiv, zu einem sehr frühen Zeitpunkt und unter Ausschluss aller sonst gängigen Hinweise und Risikofaktoren für eine BPD anzuwenden. Alleinstehend liefert dieses noch keine gute Möglichkeit, die Entwicklung einer BPD sicher vorherzusagen. In Ergänzung zur klinischen Einschätzung könnte dieses aber zukünftig einen Beitrag zur Früherkennung der BPD liefern. Weitere Studien zur Verbesserung der Modelle unter Einbeziehung großer, multizentrischer Daten sollten vor einer breiten klinischen Einführung folgen.

Publication History

Article published online:
19 May 2025

• Literatur

• 1 Jobe A.H., Bancalari E.. Bronchopulmonary dysplasia. American Journal of Respiratory and Critical Care Medicine 2001; 163: 1723-1729
• 2 Jensen E.A., Dysart K., Gantz M.G., McDonald S., Bamat N.A., Keszler M., Kirpalani H., Laughon M.M., Poindexter B.B., Duncan A.F., Yoder B.A., Eichenwald E.C., DeMauro S.B.. The Diagnosis of Bronchopulmonary Dysplasia in Very Preterm Infants. An Evidence-based Approach. American Journal of Respiratory and Critical Care Medicine 2019; 200: 751-759