Künstliche Intelligenz verbessert die Diagnose unsichtbarer Atemwegsverstopfungen

Künstliche Intelligenz verbessert die Diagnose unsichtbarer Atemwegsverstopfungen

Forscher der University of Southampton haben ein Tool mit künstlicher Intelligenz (KI) entwickelt, das schwer sichtbare Objekte in den Atemwegen von Patienten besser erkennen kann als erfahrene Radiologen.

In einer Studie veröffentlicht in npj Digitale Medizin, Das KI-Modell übertraf Radiologen bei der Überprüfung von CT-Scans auf Objekte, die auf Scans nicht gut sichtbar waren.

Diese versehentlich eingeatmeten Gegenstände können Husten, Würgen und Atembeschwerden verursachen und bei unsachgemäßer Behandlung manchmal zu schwerwiegenderen Komplikationen führen.

Die Ergebnisse verdeutlichen, wie KI Ärzte bei der Diagnose komplexer und potenziell lebensbedrohlicher Erkrankungen unterstützen kann.

Die Forschung wurde von Dr. Yihua Wang, Dr. Zehor Belkhatir und Prof. Rob Ewing von der University of Southampton in Zusammenarbeit mit Forschern aus Wuhan, China, geleitet.

„Diese Objekte können äußerst subtil sein und selbst für erfahrene Kliniker leicht übersehen werden“, sagte der Doktorand Zhe Chen, Co-Erstautor der Studie von der University of Southampton.

„Unser KI-Modell fungiert wie ein zweites Augenpaar und hilft Radiologen, diese versteckten Fälle früher und zuverlässiger zu erkennen.“

Eine Fremdkörperaspiration (FBA) tritt auf, wenn ein Gegenstand, oft Lebensmittel oder ein kleines Stück Material, in den Atemwegen stecken bleibt.

Wenn die Objekte, wie Pflanzenmaterial oder Krebsschalen, strahlendurchlässig sind (auf Röntgenstrahlen unsichtbar und selbst auf CT-Scans schwach), kann es sehr schwierig sein, sie zu erkennen. Dies führt häufig zu verpassten oder verspäteten Diagnosen, wodurch Patienten dem Risiko schwerwiegender Komplikationen ausgesetzt sind. Bis zu 75 Prozent der FBA-Fälle bei Erwachsenen betreffen strahlendurchlässige Fremdkörper.

Um dieser Herausforderung zu begegnen, hat das Forschungsteam ein Deep-Learning-Modell erstellt. Es kombiniert eine hochpräzise Atemwegskartierungstechnik (MedpSeg) mit einem neuronalen Netzwerk, das CT-Bilder auf versteckte Anzeichen von Fremdkörpern analysiert.

Das Modell wurde in Zusammenarbeit mit Krankenhäusern in China an drei unabhängigen Patientengruppen, bestehend aus über 400 Patienten, trainiert und getestet.

Um das Modell auf die Probe zu stellen, verglichen die Forscher seine Leistung mit der von drei erfahrenen Radiologen mit jeweils über zehn Jahren klinischer Erfahrung. Die Aufgabe bestand darin, 70 CT-Scans zu untersuchen, von denen 14 Fälle von strahlendurchlässiger FBA waren, die durch Bronchoskopie bestätigt wurden.

Als die Radiologen einen Fall von strahlendurchlässigem FBA entdeckten, taten sie dies mit absoluter Präzision – es gab keine falsch positiven Ergebnisse. Im Vergleich dazu erreichte das KI-Modell eine Genauigkeit von 77 Prozent und erkannte einige Fehlalarme.

Allerdings übersahen die Radiologen einen großen Teil der FBA-Fälle, indem sie nur 36 Prozent von ihnen identifizierten und die Schwierigkeiten hervorhoben, die Menschen haben, solche Fälle zu erkennen. Das KI-Modell hingegen konnte 71 Prozent der Fälle erkennen, was bedeutet, dass deutlich weniger FBA-Fälle durchs Netz gingen.

Im F1-Score, der Präzision und Erinnerung in Einklang bringt, übertraf das Modell die Radiologen mit einem Wert von 74 Prozent gegenüber 53 Prozent.

Die Ergebnisse zeigen das reale Potenzial von KI in der Medizin, insbesondere bei Erkrankungen, die mit der Standardbildgebung schwer zu diagnostizieren sind.“

Dr. Yihua Wang, Hauptautor der Studie

Die Forscher betonen, dass das System darauf ausgelegt ist, Radiologen zu unterstützen und nicht zu ersetzen – und in komplexen oder unsicheren Fällen zusätzliche Sicherheit zu bieten.

Die Forscher wollen nun multizentrische Studien mit größeren und vielfältigeren Populationen durchführen, um das Modell zu verbessern und das Risiko einer Verzerrung zu verringern.

Das Papier Automatisierte Erkennung der Aspiration strahlendurchlässiger Fremdkörper im Thorax-CT mithilfe von Deep Learning ist veröffentlicht in npj Digitale Medizin und ist online verfügbar.

Die Forschung wurde vom UK Medical Research Council und dem China Scholarship Council unterstützt.

Quellen: