Deep Learning angewendet auf die einfache abdominale Röntgenüberwachung nach endovaskulärer Aneurysma-Reparatur (EVAR) von abdominalem Aortenaneurysma (AAA) (DeepLearn)

Das abdominale Aortenaneurysma (AAA) ist ein Zustand, bei dem sich die abdominale Aorta, eine große Arterie, aufgrund eines degenerativen Prozesses in ihrer Wand allmählich erweitert. Dies kann zu einer Ruptur der geschwächten Wand mit anschließender Ausblutung in den Bauchraum führen. Dieses Szenario ist normalerweise fatal. Der Durchmesser des Aneurysmas korreliert positiv mit dem Rupturrisiko. Die Aneurysmagröße ist daher die primäre Determinante bei der Überlegung, ob AAAs elektiv repariert werden sollen oder nicht.

Die endovaskuläre Aneurysma-Reparatur (EVAR) ist bei der überwiegenden Mehrheit der Patienten zur Standardbehandlung für AAAs geworden. Es handelt sich um eine minimal-invasive Technik, die darauf abzielt, das Aneurysma durch Platzierung eines synthetischen „Stent-Grafts“ im Aortenlumen von der Zirkulation auszuschließen. Metallische Widerhaken sowie Radialkraft halten die Position des Stent-Transplantats in der nicht-aneurysmalen Aorta über dem Aneurysma sowie in den Beckenarterien unterhalb des Aneurysmas aufrecht.

Evidenz der Stufe 1 hat durchgängig ein verbessertes perioperatives Überleben mit EVAR im Vergleich zur herkömmlichen offenen Operation gezeigt. Es gibt jedoch Bedenken hinsichtlich der langfristigen Haltbarkeit von EVAR-Stentgrafts, da bei 1 von 5 Patienten in den 5 Jahren nach der Operation eine weitere Operation des Aneurysmas erforderlich ist. Dies ist häufig auf ein Versagen der Position und Unversehrtheit des Stent-Implantats zurückzuführen. Daher ist es internationale Standardpraxis, Patienten nach EVAR lebenslang zu überwachen. Dies erfolgt in der Regel in Form von einfachen Röntgenaufnahmen in Kombination mit einer Computertomographie (CT) oder Duplex-Ultraschalluntersuchungen, die alle jährlich durchgeführt werden.

Stent-Grafts sind auf einfachen Röntgenaufnahmen des Abdomens sichtbar, und durch den Vergleich von Bildserien, die im Laufe der Zeit aufgenommen wurden, ist es möglich, eine Vielzahl von Stent-Graft-Problemen zu diagnostizieren, einschließlich Migration, Zerfall und Verformung. Aber diese Veränderungen können auf normalen Röntgenbildern subtil und selbst für das geschulteste menschliche Auge schwer zu erkennen sein. Infolgedessen werden die Patienten detaillierteren Scans unterzogen, die leider ein Risiko für Nephrotoxizität und strahleninduzierte Malignität bergen.

Das Ziel unserer Forschung ist es, das diagnostische Potenzial von Nativröntgenbildern zu verbessern, indem moderne Deep-Learning-Computeralgorithmen zur Interpretation angewendet werden.

Künstliche Intelligenz (KI) in Form von Deep Learning hat in den letzten Jahren bei zahlreichen herausfordernden Fragestellungen große Erfolge gezeigt. Der Erfolg von Deep Learning wird weitgehend durch Fortschritte bei leistungsstarken Grafikprozessoren (GPUs) untermauert. GPUs ermöglichen es uns, Trainingsalgorithmen um Größenordnungen zu beschleunigen und Laufzeiten von Wochen auf Tage zu reduzieren.

Unsere Studie wird den Einsatz künstlicher Intelligenz bei der Interpretation von Serien anonymisierter einfacher Röntgenaufnahmen untersuchen, um Merkmale eines fehlerhaften Stent-Grafts zu identifizieren.

Ein Deep-Learning-Algorithmus wird auf einfache Post-EVAR-Röntgenaufnahmen angewendet, die bereits in den letzten 10 Jahren an unserer Einrichtung in England durchgeführt wurden. Wir werden dann die Wirksamkeit der Maschine bei der Identifizierung von Problemen im Zusammenhang mit Stent-Transplantaten mit den bekannten Ergebnissen vergleichen, die zuvor durch menschliche Interpretation identifiziert wurden.

Dieses Projekt wird sich auf die jüngsten Fortschritte bei Deep-Learning-Techniken stützen. Es wird erwartet, dass Deep Learning eine gute Leistung für die EVAR-Überwachung bringen wird, im Einklang mit seiner erfolgreichen Anwendung in Bereichen wie der Erkennung von Ziffern, chinesischen Schriftzeichen und Verkehrszeichen, in denen Computer eine bessere Genauigkeit als Menschen erzielt haben.