KI-gestützte Diagnostik der primär sklerosierenden Cholangitis anhand der 2D-MRCP

Zielsetzung Ziel dieser Arbeit war die Entwicklung und Validierung eines auf Deep Learning basierenden Klassifikationsalgorithmus zur automatischen Diagnose der primär sklerosierenden Cholangitis (PSC) anhand der 2D-MRCP.

Material und Methoden In dieser retrospektiven Studie wurden 2D-MRCP-Sequenzen von 342 Patienten mit bestätigter PSC und weiteren 264 Kontrollpersonen ohne chronische Lebererkrankung bei 1,5 und 3 T aus dem PACS extrahiert und für das Training eines Multi-View-Neuronalen Netzwerks (MV-CNN) gelabelt. Das MV-CNN verarbeitet simultan sieben 2D-MRCP-Bilder desselben Patienten aus unterschiedlichen Rotationswinkeln und aggregiert die Bildinformationen jeder Ansicht in eine lernfähige aufmerksamkeitsbasierte Fusionsschicht (attention-based view fusion). Die finale binäre Klassifikation wurde dann von dem Modell abgeleitet, das die höchste Konfidenz in einem Ensemble von 20 unabhängig trainierten Multiview-CNNs ausdrückte. Im Anschluss wurden die Vorhersagen des MV-CNN mit denen von vier Radiolog*innen mit unterschiedlichem Ausbildungsstand und Erfahrung in der MRCP-Befundung verglichen.

Ergebnisse Das MV-CNN erzielte eine Genauigkeit von 80,5% ± 1,3 (Sensitivität 80,0% ± 1,9 ; Spezifität 81,1% ± 2,7) bei 3 T bzw. von 82,6% ± 3,0 (Sensitivität 83,6% ± 1,8 ; Spezifität 80,0% ± 8,9) bei 1,5 T für die korrekte Vorhersage einer PSC. Im Einzelvergleich übertraf das MV-CNN die durchschnittlichen Vorhersagen der vier Radiolog*innen in Hinblick auf alle Metriken und Datensätze und lag sogar gleichauf mit dem besten Radiologen für den 1,5T – Datensatz.

Schlussfolgerungen Unsere Ergebnisse zeigen, dass eine automatische Klassifizierung von PSC-typischen Befunden basierend allein auf der 2D-MRCP mit hoher Genauigkeit sowohl für 1,5T als auch für 3T möglich ist.

Publication History

Article published online:
12 April 2024