Automatische Detektion der primär sklerosierenden Cholangitis (PSC) anhand von 3D-MRCP Datensätzen mittels Deep Learning

Zielsetzung:

Die automatische Detektion PSC-typischer Veränderungen in 3D-MRCP Datensätzen.

Material und Methoden:

428 Patienten (m = 274/w = 154, Alter 42,5 ± 18,5 Jahre), die im Rahmen der klinischen Routine eine Leber MRT inklusive 3D-MRCP erhielten, wurden in diese retrospektive Studie eingeschlossen. Bei 206 Patienten lag eine gesicherte PSC vor, bei den restlichen 222 Patienten wurde diese Diagnose ausgeschlossen. Das Studienkollektiv wurde randomisiert in eine Trainings- (n = 386) und Validierungsgruppe (n = 42) aufgeteilt. Für jeden Einzelfall wurden 20 uniform verteilte Rotationen in der axialen Ebene mit anschließender Erstellung einer Maximumintensitätsprojektion (MIP) berechnet. Dies resultierte in einem Trainingsdatensatz von 7720 und einem Validierungsdatensatz von 840 2D Bildern. Schließlich wurde ein Inception-ResNet (Inception-v4 arXiv:1602.07261) trainiert, welches mit vorher an ImageNet gelernten Gewichten initialisiert wurde. Abschließend wurde ein Fine-Tuning des gesamten Netzes mit einer geringen Learning Rate (10^{-5}) vorgenommen.

Ergebnisse:

Der mittlere absolute Fehler (MAE) auf dem Validierungsdatensatz liegt bei unzureichenden 30%. Dieser Wert konnte allerdings durch eine Ensemblestrategie auf 7,1% (3/42) verbessert werden. Hierfür wurden die 20 zusammengehörigen Projektionen eines Falls gebinnt und ein Mehrheitsvotum gefällt. Des Weiteren ergeben sich eine Sensitivität von 95,0%, eine Spezifität von 90,9%, ein positiver prädiktiver Wert von 90,5% sowie ein negativer Vorhersagewert von 95,2% für den Nachweis PSC-typischer cholangiografischer Veränderungen in der 3D-MRCP.

Schlussfolgerungen:

Die Ergebnisse dieser Studie zeigen, dass es mittels Transfer Learning möglich, PSC-typische cholangiografische Veränderungen in der 3D-MRCP mit einem MAE von 7.1% vorherzusagen. Eine weitere Validierung mit mehr und multizentrischen Daten sollte erfolgen, da neuronale Netze sonst erfahrungsgemäß zum Overfit auf die Charakteristiken des Datensatzes neigen.

Die Autoren geben an, dass kein Interessenkonflikt besteht.