Externe Validierung eines Deep-Learning-basierten Modells zur Erkennung von Lungenembolien bei Brust-CT-Scans

Lungenembolie (PE) ist eine potenziell tödliche Krankheit, wenn sie nicht rechtzeitig diagnostiziert und behandelt wird. Heutzutage ist die Thorax-CTPA nach wie vor der Goldstandard für die Diagnose, aber PE kann gelegentlich auch bei erweiterten CT-Scans gefunden werden. Die meisten CTPA-Untersuchungen werden in Kliniken bei Verdacht auf PE in dringenden Fällen durchgeführt, wohingegen eine Minderheit bei Verdacht auf oder bestätigter chronischer Lungenthromboembolie durchgeführt wird, einer Krankheit, die bei CT-Scans häufig übersehen wird, aber unbehandelt mit hoher Morbidität und schlechter Prognose einhergeht . Daher haben Methoden zur Beschleunigung und Automatisierung der Erkennung von Embolien in Lungengefäßen das Potenzial, zu einer wichtigen Unterstützung in der klinischen Praxis zu werden, indem sie eine bessere Triage dringender Fälle von PE und eine erhöhte Sensitivität bei der Identifizierung von Patienten mit chronischer Lungenthromboembolie ermöglichen. Basierend auf diesen klinischen Anforderungen wurde ein Deep-Learning-basiertes Modell zur Erkennung von Lungenembolien anhand von CTPA-Scans entwickelt. Das Modell basierte auf der 2D-ResNext50-Architektur und wurde mithilfe eines multizentrischen Open-Source-Datensatzes von 7169 Patienten trainiert und validiert. Aus diesen retrospektiven Daten wurden 85.000 PE-positive und 123.428 PE-negative Schnitte für das Training extrahiert. Für die interne Validierung wurden 9.922 Slices für jede Klasse verwendet. Das Modell wurde zunächst auf Patientenebene anhand eines Datensatzes von 156 erwachsenen Patienten aus drei verschiedenen öffentlichen Quellen extern validiert, wobei alle Emboli von mindestens einem erfahrenen Radiologen segmentiert wurden. Um Einblicke in die Modellvorhersagen zu erhalten, wurden Aktivierungskarten mit der Grad-CAM-Methode extrahiert. Beim Vergleich dieser Karten mit den Ground Truth (GT)-Segmentierungen wurde festgestellt, ob die aktivierten Regionen PE-Regionen entsprachen, indem der Prozentsatz des aktivierten GT PE und der Prozentsatz der aktivierten Regionen, die GT PE entsprachen, berechnet wurden. Das PE-Klassifizierungsmodell erreichte eine Fläche unter der Kurve (AUC) von 0,86 [0,800–0,919]. eine Sensitivität von 82,68 % [75,16 – 88,27] und eine Spezifität von 79,31 % [61,61 – 90,15] auf dem externen Validierungssatz. Diese Ergebnisse wurden jedoch in einer unausgewogenen externen Validierungskohorte (127 PE-positive gegenüber 29 PE-negativen Patienten) erzielt. Daher ist es sehr wichtig, die Modellleistungen auch in einer ausgewogeneren Patientenkohorte zu bewerten, die die tatsächliche klinische Inzidenz von PE darstellt ( zwischen 12 und 22 %). Aus diesem Grund besteht der Zweck der vorliegenden Studie darin, eine externe Validierungskohorte zu sammeln, die repräsentativ für die tatsächliche klinische Realität ist und sowohl CTPA- als auch erweiterte CT-Scans mit einem ausgeglicheneren Prozentsatz positiver und negativer PE-Fälle umfasst. Darüber hinaus werden die Leistungen des Modells zwischen erweiterten CT- und CTPA-Scans verglichen.