ERS 2018 – Deep-Learning-Algorithmus klassifiziert fibrotische Lungenerkrankung


  • Sarah Stinnissen
  • Conference Reports
Der Zugang zum gesamten Inhalt dieser Seite ist nur Angehörigen medizinischer Fachkreise vorbehalten. Der Zugang zum gesamten Inhalt dieser Seite ist nur Angehörigen medizinischer Fachkreise vorbehalten.

Erkenntnis

  • Deep Learning könnte eine zugängliche und genaue Diagnose einer fibrotischen Lungenerkrankung bieten.

Warum das wichtig ist

  • Die Diagnose und Prognose einer fibrotischen Lungenerkrankung ist entscheidend für die Behandlung der Patienten.
  • Der Zugang zu hochauflösender Computertomografie (HRCT) mit entsprechender personeller Expertise kann für Versorgungszentren eine Herausforderung darstellen.
  • Eine verbesserte diagnostische Genauigkeit bedeutet weniger Biopsien.

Studiendesign

  • Von zwei italienischen Universitäten wurden 1.157 HRCT-Scans mit fibrotischer Lungenerkrankung erfasst.
  • Die Scans wurden von einem Röntgentechniker kategorisiert. Dabei kamen die Leitlinien der American Thoracic Society, European Respiratory Society, Japanese Respiratory Society und Latin American Thoracic Association (ATS/ERS/JRS/ALAT) aus dem Jahr 2011 zur Anwendung:
    • gewöhnliche interstitielle Pneumonie (usual interstitial pneumonia, UIP)
    • mögliche UIP und
    • nicht im Einklang mit UIP
  • Die Datenmenge wurde amplifiziert, sodass eine Datenmenge von 420.096 für das Training des Algorithmus entstand.
  • Die Leistung des Algorithmus wurde anhand von 91 Gutachten erfahrener Thorax-Radiologen zu 150 Fällen unter Verwendung der Leitlinien von ATS, ERS, JRS und ALAT aus dem Jahr 2011 beurteilt.
  • Der Algorithmus wurde für die neue Kategorie einer wahrscheinlichen UIP in den Diagnosekriterien der Fleischner Society von 2018 erneut trainiert und mit 4 Gutachten von Radiologen verglichen.
  • Finanzierung: Keine.

Wesentliche Ergebnisse

  • Der Algorithmus benötigte 1,2 Sekunden, um 150 Fälle mit einer Genauigkeit von 73,3 % zu überprüfen (gegenüber 70,7 % ± 0,09 % der Radiologen).
  • Bei der Unterscheidung von UIP und Nicht-UIP klassifizierte der Algorithmus 28 (96,6 %) von 29 Fällen richtig (gegenüber der medianen Sensitivität der Radiologen von 65,5 % ± 31,1 %), wobei die prognostische Diskriminierung der Mehrheit der Radiologen entsprach.
  • Die Diagnose des Algorithmus und der Radiologen unter Verwendung von Fleischner-Kriterien zeigte eine gute Übereinstimmung (κw = 0,64 ± 0,17).