KI-Modell prognostiziert Knochenentfernung bei Cochlea-Implantat-Operationen

Eine Cochlea-Implantat-Operation hilft Menschen mit schwerem Hörverlust, indem ein elektronisches Gerät im Innenohr platziert wird. Um das Innenohr zu erreichen, müssen Chirurgen zunächst einen Teil eines Knochens hinter dem Ohr entfernen, was als Mastoidektomie bezeichnet wird. Die Form dieses chirurgisch geschaffenen Hohlraums variiert von Patient zu Patient und hat keine klare äußere Grenze, was es schwierig macht, sie mit herkömmlichen Bildanalysetools vorherzusagen. Eine bessere Vorhersage dieser Form vor der Operation könnte Navigationssysteme, Roboterwerkzeuge und eine verbesserte Visualisierung für Chirurgen sowie bessere Ergebnisse für Patienten unterstützen.

Wissenschaftler kämpfen seit Jahren darum, Computerwerkzeuge zu entwickeln, die die Form einer Mastoidektomie zuverlässig vorhersagen können. Nun, wie in der berichtet Zeitschrift für Medizinische Bildgebung (JMI), ein Forscherteam der St. Mary’s University, der Trinity University, der Vanderbilt University und des Center for Advanced AI, hat eine KI-Methode entwickelt, die vorhersagt, wie viel Knochen während eines wichtigen Schritts der Cochlea-Implantat-Operation entfernt wird. Ihr Ansatz kann die chirurgische Planung sicherer und effizienter machen, insbesondere in Situationen, in denen Experten große Mengen medizinischer Bilder nicht manuell beschriften können.

Das Forschungsteam hat eine zweiteilige KI-Methode entwickelt, die aus medizinischen Bildern lernt, selbst wenn keine sauberen, handbeschrifteten Daten verfügbar sind:

1. Das System vergleicht CT-Scans vor der Operation mit CT-Scans nach der Operation und lernt selbst, welcher Knochen entfernt wurde. Auch wenn die Bilder nach der Operation verrauscht sind, verwendet die KI eine Art mathematischen Vergleich, der sich auf die Gesamtstruktur und nicht auf feine Details konzentriert. Dies hilft ihm, das Knochenentfernungsmuster ohne fachmännische Anleitung zu erlernen.
2. Die Vorhersagen des ersten Modells werden als „schwache Etiketten“ für ein zweites Modell verwendet. Dieses zweite Modell verwendet eine spezielle 3D-Verlustfunktion basierend auf der Student-t-Verteilung, die den Umgang mit unordentlichen oder unvollständigen Daten erleichtert. Dieser Schritt verbessert die Genauigkeit und macht die endgültige Vorhersage zuverlässiger.

Zusammen bilden diese beiden Schritte eine neue Art, medizinische Bildgebungssysteme zu trainieren, die auch dann funktioniert, wenn perfekte Trainingsdaten nicht erhältlich sind.

Die Forscher testeten ihre Methode anhand von 751 Paaren von CT-Scans vor und nach der Operation. Beim Vergleich mit 32 manuell beschrifteten Beispielen von Chirurgen erreichte das KI-System einen durchschnittlichen Dice-Score von 0,72, was höher ist als bei mehreren gängigen medizinischen Bildgebungsmodellen. Ein höherer Würfelwert bedeutet, dass die vorhergesagte Form der tatsächlichen Form nach der Operation sehr nahe kommt.

Das Team zeigte außerdem, dass es ein 3D-Modell der vorhergesagten Knochenoberfläche nach der Operation erstellen konnte. Dies könnte eines Tages dabei helfen, Chirurgen während der Operation anzuleiten oder Medizinstudenten auszubilden.

Diese Forschung ist wichtig, weil sie einen neuen Weg zum Aufbau von KI-Systemen für die medizinische Bildgebung aufzeigt, wenn detaillierte Etiketten rar oder zu schwierig zu erstellen sind. Viele Teile des menschlichen Körpers haben komplexe Formen, die mit der Hand schwer zu skizzieren sind, und diese Methode könnte Ärzten dabei helfen, sie einfacher zu analysieren.

Für Patienten könnte die Technologie letztendlich die Cochlea-Implantat-Operation sicherer machen, indem sie den Chirurgen ein klareres Bild davon gibt, was sie erwartet. Es könnte auch Roboterwerkzeuge oder fortschrittliche Navigationssysteme im Operationssaal unterstützen.

Obwohl die Ergebnisse vielversprechend sind, stellen die Forscher fest, dass weitere Tests in verschiedenen Krankenhäusern erforderlich sind, bevor das Tool im klinischen Alltag eingesetzt werden kann. Sie hoffen auch, den 3D-Modellen eine realistischere Textur hinzuzufügen, um sie für Chirurgen bei realen Eingriffen einfacher zu verwenden.

Quellen: