Automatische Erkennung von normalem und neoplastischem Nebennierengewebe in der Computertomographie (CT) - Archive ouverte HAL
Article Dans Une Revue Zeitschrift für alle Gebiete der operativen Medizin Année : 2022

Automatische Erkennung von normalem und neoplastischem Nebennierengewebe in der Computertomographie (CT)

Automatic detection of normal and neoplastic adrenal tissue in computed tomography

Résumé

Einleitung: Künstliche Intelligenz (KI) hat das Potenzial, die non-invasive Diagnostik von Tumoren der Nebennieren (NN) zu unterstützen; dafür werden präzise Datensätze benötigt. Solche Daten können einerseits höchst aufwendig durch eine dreidimensionale manuelle Markierung (Segmentierung) von normalem und neoplastischem Nebennierengewebe – zum Beispiel anhand einer CT – erzeugt werden, oder andererseits durch die Anwendung von Algorithmen auf der Basis maschinellen Lernens. Letzteres ist Gegenstand unserer Pilotstudie. Methoden: Es wurden ein öffentlicher Datensatz (G1; 50 CTs) und ein eigener Datensatz (G2; 77 CTs) verwendet. In G1 wurde fast nur normales NN-Gewebe untersucht (97 normal, 3 Tumoren), in G2 sowohl normales als auch neoplastisches NN-Gewebe (80 normal, 74 neoplastisch). In beiden Datensätzen wurden die Volumina von normalem („normal“) und neoplastischem NN-Gewebe manuell markiert. Bei den Tumoren wurde unterschieden zwischen solchen mit („gemischt“) und ohne („pur“) angrenzendes normales Parenchym. Die pixelweise Segmentierung wurde durch zwei unabhängige Spezialisten überprüft und ggf. angepasst. Im zweiten Schritt wurden diese Daten zum Training von KI-Algorithmen (nnU-Net) verwendet. Durch die zufällige fünfmalige Aufteilung der Datensätze in Test- und Trainingsdaten (20 %:80 %) wurden 5 Modelle unabhängig voneinander trainiert und der Mittelwert der 5 Modelle bewertet. Dazu wurden die KI-generierten Ergebnisse mit den manuellen Ausgangsvolumina verglichen (5-fache Kreuzvalidierung). Analysiert wurden der Dice-Koeffizient (DK), der positive Vorhersagewert (PV) und die Sensitivität (S) (Kruskal-Wallis-Test). Ergebnisse: In G1 lag die Größe der normalen NN bei 5,3± 1,6 cm3, die der 3 Tumoren bei 2,4 ± 0,73 cm 3. Die KI-Segmentierungsleistung erreichte einen mittleren DK von 0,90± 0,039, PV von 0,90± 0,045 und S von 0,90 ± 0,055 für normale NN. Bei den 47 CT-Aufnahmen mit bilateral normalen NN war die Segmentierung auf der linken Seite besser (DK: L 0,90 ± 0,029 vs. R 0,89 ± 0,45, p < 0,05; PV: L 0,90 ± 0,042 vs. R 0,89 ± 0,047, p < 0,01; S: ns). Alle drei linksseitigen NN-Tumoren wurden korrekt identifiziert. In G2 lag die Größe der normalen NN (n = 80) bei 4,8 ± 2,1 cm3, die der Tumoren (n = 74) bei 148 ± 484 cm 3 . Bei normalen NN war die KI-Segmentierung auf der linken Seite besser (DK: L 0,88 ± 0,099 vs. R 0,82 ± 0,13, p < 0,01; S: L 0,90 ± 0,12 vs. R 0,84 ± 0,12, p < 0,01; PV: ns). Bei neoplastischen NN gab es keinen Seitenunterschied. Von 74 Tumoren wurden 66 (89,2 %) durch die KI erkannt. Falsch negativ waren 8 (3L, 5R), falsch positiv waren 9 Neoplasien (3L, 6R). Die KI-Segmentierungsleistung der richtig identifizierten Regionen erreichte einen DK von 0,85± 0,11 (normal), 0,86 ± 0,16 (gemischt) und 0,79± 0,17 (pur) (p < 0,01), eine PV von 0,86 ± 0,11 (normal), 0,89 ± 0,16 (gemischt) und 0,96 ± 0,037 (pur) (p < 0,0001), sowie eine S von 0,87 ± 0,11 (normal), 0,87 ± 0,15 (gemischt) und 0,70 ± 0,23 (pur) (p < 0,01). Schlussfolgerung: Detaillierte manuelle Segmentierungen, die zwischen normalem und neoplastischem NN-Gewebe differenzieren, ermöglichen ein Training von KI-Algorithmen zur Automatisierung der Segmentierung. Letztere könnte als ein nächster Schritt zur automatischen Typisierung von NN-Tumoren beitragen.

Dates et versions

hal-04066908 , version 1 (12-04-2023)

Identifiants

Citer

Barbara Seeliger, Adrien Meyer, Pier F. Alesina, Martin K. Walz, Nicolas Padoy, et al.. Automatische Erkennung von normalem und neoplastischem Nebennierengewebe in der Computertomographie (CT). Zeitschrift für alle Gebiete der operativen Medizin, 2022, Abstracts der 40. Arbeitstagung der Chirurgischen Arbeitsgemeinschaft Endokrinologie (CAEK), 93 (P12), pp.1174-1175. ⟨10.1007/s00104-022-01753-1⟩. ⟨hal-04066908⟩
30 Consultations
0 Téléchargements

Altmetric

Partager

More