Frühzeitige Unterscheidung periprothetischer Hüftinfektionen mithilfe neuronaler Netze (SEPTIC-ANNR) (SEPTIC-ANNR)

Periprothetische Hüftinfektionen sind ein aktuelles Thema in der orthopädischen Chirurgie, deren Inzidenz bei etwa 1 % liegt. Die Hauptsorgen sind die Morbidität, Mortalität und die zusätzlichen Kosten, die mit einem längeren Krankenhausaufenthalt und weiteren Behandlungen einhergehen. Periprothetische Infektionen werden im Allgemeinen anhand der CDC-Kriterien (Center for Disease Control and Prevention) (2014) diagnostiziert. Die Diagnose basiert auf Haupt- und Nebenkriterien, einschließlich präoperativer und intraoperativer Parameter. Um eine zuverlässige Diagnose einer Infektion zu erhalten, sind bei fehlenden Fisteln eine Aspiration von Synovialflüssigkeit oder Gewebeproben erforderlich. Diese Techniken sind jedoch teuer und invasiv. Darüber hinaus ist die Empfindlichkeit nicht immer so genau, wie einige Revisionsoperationen zeigten, die wegen einer vermuteten aseptischen Lockerung durchgeführt wurden, die sich nach Kulturen als septisch herausstellte. Daher erfolgt die Diagnose einer Infektion oft spät und nach einer langen, komplexen, teuren und nicht immer entscheidenden diagnostischen Untersuchung, was sich auf den Zeitpunkt und den Erfolg der Behandlung auswirkt.

Wünschenswert wäre ein praktikables, schnelles, zuverlässiges und nicht-invasives (ggf. ambulantes) Diagnoseverfahren für periprothetische Infektionen. Es kann sich auf diagnostische Bildgebung stützen und die Entnahme von Flüssigkeit oder Gewebe auf zweifelhafte Fälle beschränken. Derzeit werden CT- und nuklearmedizinische Bildgebungsverfahren aufgrund der geringen Zuverlässigkeit, der Kosten und der Strahlenexposition nicht routinemäßig zur Diagnose von Infektionen eingesetzt.

Kürzlich wurden neuronale Netze eingeführt: Sie bestehen aus vielen einfachen parallelen Prozessoren, die tief miteinander verbunden sind und ein Rechenmodell realisieren. Neuronale Netze ahmen das Gehirn und seine Lernfähigkeit nach. Computermodelle erkennen visuelle Signale, bewältigen komplexe Situationen in Echtzeit, klassifizieren und verwalten Lärm, nutzen assoziatives Gedächtnis mit Echtzeitzugriff auf große Datenmengen und rekonstruieren unvollständige oder beschädigte Informationen. Neuronale Netze werden bereits eingesetzt, um das Auftreten von Infektionen, Metastasen und Behandlungsversagen vorherzusagen und dabei klinische und diagnostische Bilddaten zu integrieren. Bisher wurden keine Studien zu neuronalen Netzwerken bei periprothetischen Infektionen durchgeführt. Der Zweck dieser Studie besteht darin, zu bewerten, ob neuronale Netzwerke (zelluläre neuronale Netzwerke – genetischer Algorithmus), angewendet auf konventionelle Radiographien, genau, empfindlich und spezifisch für die Früherkennung einer periprothetischen Hüftinfektion sind, die bereits mit anerkannten Methoden diagnostiziert wurde ( CDC 2014).

Konkret wird eine Population von Patienten ausgewählt, die über eine vollständige Röntgenanamnese (präoperative Röntgenaufnahmen und eine Reihe anderer postoperativer Röntgenaufnahmen) verfügen und wegen septischer oder aseptischer Lockerung behandelt wurden.

Beide Fälle sind notwendig, um ein neuronales Netzwerk zu „anweisen“. Der erste Schritt besteht darin, eine aufeinanderfolgende Serie von Patienten mit septischer oder aseptischer Lockerungsdiagnose zu identifizieren und dabei die Krankenhausdatenbank zu konsultieren. Daher werden Patienten kategorisch in septische oder aseptische Lockerungen eingeteilt. Es werden die CDC-Kriterien von 2014 verwendet (wie sie routinemäßig im klinischen Umfeld durchgeführt werden), wobei ein weiteres wichtiges und notwendiges Kriterium hinzugefügt wird: mindestens 3 positive intraoperative Gewebeproben (derselbe Mikroorganismus). Im Falle einer aseptischen Lockerung darf der Fall die CDC 2014-Kriterien nicht erfüllen. Dabei werden die bildgebenden und klinischen Daten der Patienten erfasst. Nach Feststellung der Diagnose wird das Röntgenmaterial verarbeitet (zelluläre neuronale Netze – genetischer Algorithmus). Das vorgeschlagene Verfahren verarbeitet die Röntgenbilder mithilfe der folgenden Pipeline und der MatLab-Software (Mathworks, Natick, USA):

• Basislinie: Das erste Bild nach der Implantation wird mit dem Röntgenbild vor der Implantation verglichen.
• Fortschritte werden durch regelmäßige Röntgenaufnahmen unter Verwendung von Standard- und wiederholbaren Projektionen (Beckenröntgenaufnahmen) aufgezeichnet.
• Die Merkmale werden aus jedem Bild im manuell segmentierten Bereich (Region of Interest – ROI) extrahiert. Es finden drei Schritte statt: 1) Bildvorverarbeitung, um einheitliche Rahmen der Eingabedaten (Graustufenbilder) zu erstellen. Farbhistogramm-Ausgleich; 2) Aus neuronalen Netzen extrahierte Merkmale werden auf den ROI angewendet. Klonen von Vorlagen mithilfe genetischer Algorithmen. Die Features werden von einer vollständig verbundenen Schicht + SoftMax verarbeitet; 3) aus AutoEconder extrahierte Funktionen mit vollständig verbundener Schicht + SoftMax;
• Analyse unterschiedlicher radiologischer Merkmale (Analyse der zellulären und konvolutiven Seiten) und Vergleich mit der Basislinie. Nachbearbeitung auf folgende Weise: 1) vollständig verbundene Regressionsschicht und Multiklassen-Klassifikator: Ergibt den Prozentsatz des Risikos einer septischen Progression; 2) vollständig verbundene Regressionsschicht und binärer Klassifikator: Merkmale in den septischen/aseptischen Clustern;
• ein endgültiger Entscheidungsbaum: Fusion der oben genannten Daten, um einen Prozentsatz des septischen Progressionsrisikos bei der indizierten Bildgebung bereitzustellen. Ziel ist es zu überprüfen, ob die in der Röntgenbildgebung eingesetzten neuronalen Netze eine späte, chronische periprothetische Hüftinfektion, die nach validierten und bestimmten Kriterien diagnostiziert wurde, genau, empfindlich und spezifisch erkennen können.