Deep Learning hilft bei der Schlaganfall-Diagnose mit CT-Scans

Akuter ischämischer Schlaganfall (AIS) passiert, wenn der Blutfluss zum Gehirn blockiert wird. Das kann zu plötzlichen neurologischen Symptomen führen, die sofortige medizinische Hilfe erfordern. Eine gängige Methode zur Beurteilung von Schlaganfallpatienten ist ein Scan, der als Computertomographie (CT) bezeichnet wird. Allerdings kann das Auswerten dieser Scans Zeit in Anspruch nehmen und hängt stark von der Erfahrung der Person ab, die sie überprüft.

Deep Learning, eine Form von künstlicher Intelligenz, kann helfen, den Prozess des Lesens von CT-Scans zu beschleunigen, indem es Schlaganfallläsionen automatisch identifiziert. Die meisten Deep-Learning-Methoden benötigen jedoch Bilder, die sorgfältig beschriftet sind, was eine Herausforderung darstellen kann. In dieser Studie haben wir eine neue Deep-Learning-Methode entwickelt, um AIS-Läsionen mithilfe von CT-Scans von Patienten zu finden, die zwar beschriftet, aber nicht detailliert annotiert waren.

#Datensammlung

Wir haben CT-Scan-Daten aus einer grossen klinischen Studie namens Third International Stroke Trial (IST-3) gesammelt, die Tausende von Patienten umfasste. Diese Scans wurden kurz nach einem Schlaganfall und wieder ein paar Tage später aufgenommen. Experten haben diese Scans überprüft, um sie für verschiedene Gehirnzustände, einschliesslich AIS-Läsionen, zu beschriften. Die Daten bestanden aus Scans von vielen Krankenhäusern, was sie ähnlich macht wie das, was Ärzte in alltäglichen klinischen Situationen sehen.

#Datenaufbereitung

Bevor wir die CT-Scans für das Training unseres Deep-Learning-Modells verwendet haben, haben wir die Daten bereinigt und vorbereitet. Dazu gehörten mehrere Schritte, wie das Umwandeln von Dateien in ein nutzbares Format, das Entfernen von Scans mit schlechter Qualität und das Standardisieren der Grösse und Helligkeit der Bilder. Wir haben darauf geachtet, die Daten so klar wie möglich zu halten, damit unser Lernmodell genaue Ergebnisse liefern kann.

#Deep-Learning-Methode

Unser Ziel war es, eine Methode zu entwickeln, um CT-Gehirnscans in zwei Kategorien zu klassifizieren: solche mit AIS-Läsionen und solche ohne. Wenn eine Läsion vorhanden war, wollten wir identifizieren, auf welcher Seite des Gehirns sie sich befand. Um das zu erreichen, haben wir ein neuronales Netzwerk verwendet, das als konvolutionales neuronales Netzwerk (CNN) bezeichnet wird und sich gut für die Bildanalyse eignet.

Wir haben unsere Daten in drei Teile aufgeteilt: einen zum Trainieren des Modells, einen zur Validierung seiner Leistung und einen zum Testen. So konnten wir sicherstellen, dass das Modell effektiv lernt und zuverlässig auf neuen Daten eingesetzt werden kann.

#Leistungsevaluation

Wir haben bewertet, wie gut unser Modell Läsionen im Vergleich zu den Bewertungen von menschlichen Experten identifizieren konnte. Das Modell zeigte eine Gesamtgenauigkeit von 72 % bei der Erkennung, ob eine Läsion vorhanden war und auf welcher Seite des Gehirns sie sich befand. Unser Algorithmus schnitt bei Nachkontroll-Scans besser ab, was zu erwarten war, da Läsionen oft im Laufe der Zeit sichtbarer werden.

Das Modell hatte auch eine bessere Leistung bei der Identifikation grösserer Läsionen oder mehrerer Läsionen. Zum Beispiel erreichte es eine Genauigkeit von 80 % bei grösseren Läsionen und sogar 100 % Genauigkeit, wenn drei oder mehr Läsionen vorhanden waren. Allerdings machte das Vorhandensein chronischer Gehirnbedingungen, wie alte Schlaganfallläsionen, es dem Modell schwerer, korrekt zu klassifizieren.

#Übereinstimmung mit Expertenbewertungen

Um zu verstehen, wie unser Deep-Learning-Modell im Vergleich zu menschlichen Experten abschnitt, haben wir die Übereinstimmung mit deren Bewertungen ausgewertet. Das Übereinstimmungsniveau war für unser Modell etwas geringer als für die Experten selbst. Das lag partly daran, dass unser Modell aus Daten gelernt hat, die nur CT-Scans umfassten, während Experten oft Zugang zu zusätzlichen Bilddaten für besseren Kontext hatten.

Dennoch stimmte die Leistung unseres Modells eng mit der von menschlichen Experten überein, wenn es ausschliesslich auf CT-Bildern bewertet wurde, was darauf hindeutet, dass es trotzdem wertvolle Einblicke zur Schlaganfall-Erkennung geben kann.

#Interpretierbarkeit des Modells

Zu verstehen, wie Deep-Learning-Modelle zu ihren Entscheidungen kommen, ist entscheidend, besonders in medizinischen Anwendungen. Um dies zu beleuchten, haben wir eine Technik namens Saliency Mapping verwendet. Diese Technik hebt die Bereiche eines Bildes hervor, die die Vorhersagen des Modells am meisten beeinflusst haben.

Wir haben festgestellt, dass das Modell ziemlich gut darin war, klare AIS-Läsionen zu identifizieren. Bei subtilen oder mehrdeutigen Läsionen war es jedoch weniger sicher, was ähnlich ist, wie menschliche Interpreten in unsicheren Situationen reagierten.

#Ergebnisse und Erkenntnisse

In unserer Studie haben wir über 5.700 CT-Scans von mehr als 2.300 Patienten analysiert. Etwa die Hälfte dieser Scans hatte laut Expertenbewertungen sichtbare Schlaganfallläsionen. Die beste Leistung unseres Deep-Learning-Modells zeigte, dass grössere und mehrere Läsionen leichter zu erkennen waren und Nachkontroll-Scans bessere Genauigkeit boten.

Die Leistung des Modells variierte je nach Lage der Läsionen im Gehirn. Zum Beispiel war es genauer darin, Läsionen in bestimmten Bereichen wie der Region der mittleren Hirnarterie zu erkennen, verglichen mit Bereichen wie dem Hirnstamm oder dem Kleinhirn, wo Läsionen viel seltener waren.

#Herausforderungen und Einschränkungen

Obwohl wir gute Ergebnisse erzielt haben, gab es Herausforderungen. Die Gesamtgenauigkeit wurde durch die Tatsache beeinflusst, dass einige Arten von Läsionen in unserem Datensatz weniger häufig waren. Ausserdem haben wir festgestellt, dass die Genauigkeit bei Scans mit anderen chronischen Gehirnbedingungen sank, was die Fähigkeit des Modells zur Klassifizierung erschwerte.

Ein weiteres Manko war, dass einige akute ischämische Läsionen möglicherweise nicht auf CT-Scans sichtbar waren, besonders zu Beginn. Das bedeutet, dass die basierten Labels auf den verfügbaren Daten nicht immer genau sein könnten.

#Fazit

Unsere Forschung zeigt, dass Deep Learning bei der Identifikation von Schlaganfallläsionen in CT-Scans helfen kann, was potenziell die Geschwindigkeit und Genauigkeit der Diagnose verbessert. Das Modell erreichte eine Genauigkeit von 72 % bei der Erkennung ischämischer Läsionen und der Bestimmung ihrer Lage. Während es bei Nachkontroll-Scans und grösseren Läsionen besser abschnitt, beeinflussten mehrere Faktoren seine Effektivität, einschliesslich der Art und Grösse der Läsionen sowie das Vorhandensein chronischer Erkrankungen.

Die Ergebnisse deuten darauf hin, dass die Verwendung grosser Datensätze aus routinemässig gesammelten Scans effektive Algorithmen entwickeln kann, die die Vielfalt der Fälle in realen medizinischen Umgebungen wirklich abbilden. Weitere Studien sind jedoch erforderlich, um die Genauigkeit und Zuverlässigkeit des Modells zu verbessern, insbesondere in Bezug auf weniger häufige Läsionen und sich überschneidende Bedingungen.

Indem wir effektivere ML-Systeme auf Basis alltäglicher Daten schaffen, können wir Fortschritte in Richtung besserer Ergebnisse für Patienten mit akuten ischämischen Schlaganfällen erzielen und letztlich das Gebiet der medizinischen Bildgebung verbessern.