Die Detektion von intrakraniellen Aneurysmen in der medizinischen Bildgebung stellt eine anhaltende Herausforderung dar. Ein kürzlich entwickeltes, auf Deep Learning basierendes Modell bietet Radiologen jedoch ein leistungsstarkes Hilfsmittel. Diese Technologie verbessert nicht nur die Erkennungsrate von Aneurysmen, sondern verkürzt auch die Zeit für die Bildinterpretation und Nachbearbeitung erheblich. Die Forscher betonen das enorme Potenzial dieses Tools zur Optimierung klinischer Arbeitsabläufe und zur Verbesserung der Aneurysma-Diagnostik.
Eine rechtzeitige und genaue Diagnose von intrakraniellen Aneurysmen ist entscheidend für die Einleitung geeigneter Behandlungsstrategien, die Optimierung der Patientenergebnisse und die Minimierung der Auswirkungen dieser Erkrankung auf den Einzelnen und das Gesundheitssystem. Daher ist die Entwicklung effizienter Diagnoseinstrumente von größter Bedeutung.
Bildquelle: KI-generiertes Bild, Lizenziert über Midjourney
Unter der Leitung von Dr. Jianing Wang von der Radiologie der Hebei University Affiliated Hospital in China trainierten die Forscher das Modell mit Daten von fast 4000 Patienten und testeten es an weiteren 484 Patienten. Dabei ließen die Forscher 10 Radiologen jeden Fall mit und ohne Unterstützung des Modells interpretieren. Zusätzliche Bewertungen untersuchten die Leistung des Modells allein.
Bei Verwendung des Tools reduzierte sich die Interpretations- und Nachbearbeitungszeit für Radiologen um 37,2 % bzw. 90,8 %. Bei unerfahrenen Radiologen verbesserte das Modell die AUC (Area Under the Curve) von 0,842 auf 0,881; bei erfahrenen Radiologen von 0,853 auf 0,895. Die Sensitivität auf Läsions- und Patientenebene sowie die Spezifität auf Patientenebene wurden durch die Deep-Learning-Unterstützung ebenfalls verbessert.
Angesichts der Komplexität der intrakraniellen Gefäße ist die Aneurysma-Detektion auf Basis von CTA (Computertomographie-Angiographie) eine zeitaufwendige und herausfordernde Aufgabe. Die zunehmende Nachfrage nach CTA-Untersuchungen kann außerdem zu Ermüdungserscheinungen bei Radiologen führen, was zusammen mit der Subjektivität der Bildinterpretation die Genauigkeit der Diagnose beeinträchtigen kann.
Das Forschungsteam fügt hinzu, dass ihr Tool Belege dafür liefert, dass Deep-Learning-Modelle an verschiedene Untersuchungen angepasst werden können, da ihr Modell über ein breites Spektrum an Untersuchungen hinweg präzise war. Dies behebt ein häufiges Problem von Deep-Learning-Tools: die Generalisierbarkeit. Ähnliche Modelle könnten besonders für weniger erfahrene Radiologen in Situationen von Vorteil sein, in denen eine rechtzeitige Diagnose entscheidend ist.