Retrospektive Fall-Kontroll-Studie zur Entwicklung eines Tools mit künstlicher Intelligenz (KI) zur Läsionserkennung mittels Magnetresonanztomographie (MRT) und klinischen Variablen zur Frühdiagnose von axialer Spondyloarthritis (axSpA) (InnovaDetect)

HINTERGRUND

Die Spondyloarthritis (SpA) ist eine Gruppe chronisch entzündlicher Erkrankungen autoimmuner Natur, die gemeinsame klinische und genetische Merkmale aufweisen, einschließlich einer Assoziation mit dem HLA-B27-Antigen. Mit einer Prävalenz von 0,01–2,5 % gehören sie zu den häufigsten rheumatischen Erkrankungen. All diese Erkrankungen führen dazu, dass die Patienten an einer chronisch behindernden Krankheit leiden.

Patienten mit SpA können basierend auf ihrem klinischen Erscheinungsbild entweder in überwiegend axiale SpA (axSpA) oder überwiegend periphere SpA eingeteilt werden. Axiale SpA ist durch eine primäre Beteiligung der Iliosakralgelenke (ISG) und/oder der Wirbelsäule gekennzeichnet, was zu erheblichen Schmerzen und Behinderungen führt. Bis vor Kurzem beruhte die Diagnose von axSpA auf der Erkennung struktureller Veränderungen, die auf eine Sakroiliitis im ISG hinweisen, mithilfe einer einfachen Röntgenaufnahme.

Die Einführung der Magnetresonanztomographie (MRT) zur Beurteilung der SIG hat die Erkennung von axSpA erheblich vorangetrieben. Mit der MRT können frühe Entzündungsprozesse auch bei Patienten erkannt werden, bei denen noch keine strukturellen Läsionen vorliegen. Darüber hinaus hat die MRT gegenüber der Radiographie eine Überlegenheit bei der Erkennung struktureller Veränderungen in den ISG gezeigt. Die Definition einer „positiven MRT“ bei SpA bleibt jedoch umstritten, da sowohl Sensitivität als auch Spezifität ihre Grenzen haben. Die frühzeitige Diagnose von SpA wird immer wichtiger, da jetzt Behandlungsmöglichkeiten verfügbar sind und sich die MRT als bevorzugte Wahl für die Frühdiagnose herausstellt. Eine Reihe randomisierter kontrollierter Studien mit Antitumor-Nekrosefaktor-Wirkstoffen bei Spondylitis ankylosans haben mittels MRT eine Rückbildung entzündlicher Läsionen in der Wirbelsäule gezeigt. Darüber hinaus hat sich die Rolle der MRT bei der Frühdiagnose von SpA besser etabliert, und Bildgebungsmerkmale der aktiven Sakroiliitis mittels MRT wurden für die axSpA-Diagnose definiert.

BEGRÜNDUNG DER STUDIE

Trotz der aktuellen Fortschritte in der medizinischen Bildgebung und der laufenden Bemühungen, die Klassifizierungskriterien für axSpA zu verbessern, bleibt ein hoher Anteil der axSpA-Patienten unterdiagnostiziert, was zu Verzögerungen bei der Diagnose führt, die zu einer schlechten Prognose führen können. Die Menge an unstrukturierten Daten aus der medizinischen Bildgebung trägt zu diagnostischen Verzögerungen bei. Die Integration von KI- und maschinellen Lerntechnologien in der Medizin zur Verarbeitung großer Datensätze hat zu schnelleren und genaueren Analysen, der Identifizierung realer Evidenzlücken und der agilen Generierung von Evidenz geführt, um den Bedürfnissen von Gesundheitsdienstleistern und Gesundheitssystemen gerecht zu werden.

Ziel dieser Studie ist die Entwicklung eines KI-Diagnosetools, das quantitative MRT-Daten mit klinischen Informationen kombiniert, um die Frühdiagnose von axSpA zu unterstützen.

ZIELE

Hauptziel: Entwicklung eines KI-Tools, das die Frühdiagnose von axSpA und die Läsionserkennung auf der Grundlage von MRT ermöglicht.

Sekundäres Ziel: Klinische Validierung des KI-Moduls.

Explorationsziel:

• Automatisierte Charakterisierung von Läsionen (Ödeme, Erosion, Fettmetaplasie und Ankylosierung) basierend auf Texturquantifizierung und Radiomics sowie Analyse tiefer Merkmale.
• Bestimmung normativer Werte für Texturbild-Biomarker auf den SIJs.

BEISPIELBESCHREIBUNG

Der Datensatz wird aus 900 MRTs bestehen, die retrospektiv erfasst werden. MRT-Untersuchungen werden von Patienten mit aktiver axSpA und von Patienten mit inaktiver oder keiner axSpA (Kontrollgruppe) durchgeführt. Das Verhältnis von Kontrolle zu Fall wird auf 40/60 festgelegt, sodass der Algorithmus aus beiden Teilmengen lernen kann, ohne eine Gruppe gegenüber der anderen zu bevorzugen. Da KI Normalität leichter charakterisieren kann als Pathologie, kann der Anteil von Nicht-axSpA- und normalen MRTs geringer sein (ungefähr 40 %) im Vergleich zu den 60 %, die axSpA-MRTs zugeordnet sind. In der aktiven axSpA-Gruppe sollte die Verteilung der MRTs auf die Klassifizierungskategorien (Ödeme, Ankylosierung, Erosion und Fettmetaplasie) so ausgewogen wie möglich sein, idealerweise sollten jeder Kategorie 25 % zugewiesen werden. Jedes MRT stammt nicht unbedingt von einem anderen Patienten, da es sich bei derselben Person um unterschiedliche Zeitpunkte handeln kann.

ANALYSEPLAN

1. Bildqualitätskontrolle.

   Alle von den Standorten erhaltenen Bilder werden von Bildtechnikern überprüft, um die Homogenität der Daten zu gewährleisten

2. Zentralisierte Bildinterpretation.

   Eine zentralisierte radiologische Überprüfung der MRT-Bilder wird von erfahrenen MSK-Expertenradiologen durchgeführt. Jeder Fall wird von zwei Radiologen beurteilt. Kommt es zu Meinungsverschiedenheiten zwischen beiden, wird ein dritter Radiologe den Fall prüfen.

   Die Radiologen werden die MRTs anhand der ASAS-Kriterien zur Definition einer aktiven Sakroiliitis im MRT für die Klassifizierung der axialen Spondyloarthritis in die verschiedenen Klassen und Kohorten der Studie einteilen. Alle am Projekt beteiligten Radiologen erhalten eine Schulung zur Erkennung von Läsionen gemäß den ASAS-Kriterien. Diese Schulung wird dokumentiert und im Archiv der Studie gespeichert.

3. Anmerkungsprozess.

   Die Bildgebungstechniker werden die von den MSK-Expertenradiologen erkannten Läsionen abgrenzen, um ein 3D-Volumen zu erstellen. Dies wird dann vom MSK-Fachradiologen überprüft.

4. Extraktion bildgebender Biomarker.

   Um weitere Informationen über die markierten Läsionen zu erhalten, wird eine Texturanalyse durchgeführt, um mehrere Merkmale im Zusammenhang mit der Heterogenität des Gewebes zu quantifizieren, die als Indikator für den pathologischen Prozess angesehen werden können. Das Radiomic-Panel wird auf folgenden Funktionen basieren:

   • Struktur- oder Formmerkmale: Beschreiben die geometrischen Eigenschaften des Bildes. Beispiele für diese Merkmale sind Volumen, maximaler orthogonaler Durchmesser, maximale Oberfläche, Kompaktheit, fraktale Dimension oder Sphärizität einer Läsion.

   • Statistische Merkmale sind solche, die durch statistische Beziehungen abgeleitet werden. Sie können der Reihe nach sein:

     • Erster Ordnung oder Verteilung: Sie geben Auskunft über die Häufigkeit einzelner Voxelwerte, ohne deren räumliche Beziehungen zu berücksichtigen. Diese Verteilung wird in Form von Histogrammen dargestellt, die den Mittelwert, den Median, das Maximum und das Minimum der Intensitäten der Voxel, aber auch die Asymmetrie, Kurtosis, Gleichmäßigkeit oder Entropie der Verteilung angeben.
     • Zweite Ordnung oder Textur: Sie spiegeln die Beziehungen zwischen benachbarten Voxeln wider und ermöglichen es, eine räumliche Anordnung ihrer Intensitäten zu erhalten und so eine Vorstellung von der Architektur und Heterogenität des untersuchten Gewebes zu geben. Diese Zusammenhänge werden mithilfe statistischer Analysen ermittelt, etwa durch Kookkurrenzmatrizen, die die Wahrscheinlichkeit messen, dass zwei benachbarte Voxel die gleiche Signalintensität aufweisen.
     • Höhere Ordnung: Hierbei handelt es sich um Kombinationen von Merkmalen, die durch komplexe statistische Analysen, wie z. B. die Fraktalanalyse, an Bildern gewonnen werden, auf die Filter oder mathematische Transformationen angewendet wurden, um Muster zu maximieren oder zu minimieren, Rauschen zu entfernen oder bestimmte Details hervorzuheben.
   • Tiefe Merkmale: Dabei handelt es sich um Eigenschaften, die durch die Analyse von Bildern mit Convolutional Neural Networks (CNN) oder anderen Deep-Learning-Algorithmen gewonnen werden. Diese Algorithmen sind darauf trainiert, in einem Bild diese Merkmale oder Sätze von Klassifizierungsmerkmalen automatisch zu bestimmen und auszuwählen, ohne dass ein menschliches Eingreifen erforderlich ist.
5. Entwicklung von KI-Modulen.

Unter Verwendung der gesammelten MRTs zusammen mit den bildgebenden Biomarkern und anderen verfügbaren klinischen Informationen werden die Datenwissenschaftler ein KI-basiertes Modell erstellen, das für jedes Subjekt einen Wahrscheinlichkeitswert für axSpA liefert.

Zur Erstellung des KI-Moduls wird die Datenbank in drei nicht ausgewogene Teildatensätze (Training, Validierung und Test) unterteilt. Der größere Bilddatensatz wird für das Training des Moduls verwendet. Nach der Trainingsphase wird die Validierungsdatenbank verwendet, um zu prüfen, ob die Klassifizierung gut durchgeführt wurde oder das Modell erneut trainiert werden sollte.

Training: Satz von Fällen, die während des Trainingsprozesses zur Anpassung des Modells verwendet werden. Dies sind die Fälle, die das Modell zum Optimieren seiner Gewichte verwendet, d. h. die Fälle, die das Modell zum „Lernen“ verwendet.

Validierung: Eine Reihe von Fällen, die zur Bewertung des Modells während des Trainingsprozesses verwendet werden und daher nicht zur Optimierung der Modellgewichte verwendet werden. Dieser Datensatz wird für drei Hauptzwecke verwendet:

• Optimierung der Hyperparameter.
• Überanpassungserkennung: Während des Trainingsprozesses wird das Modell nach jeder Trainingsiteration (Epoche) sowohl anhand der Trainings- als auch der Validierungsdatensätze bewertet.
• Auswahl des „besten“ Modells während des Trainingsprozesses, das bedeutet, dass die Gewichte aus der Trainingsiteration gespeichert werden, in der die besten Validierungsmetriken erhalten werden.

Test: Für die abschließende Modellbewertung wird ein separater Satz verwendet, der nicht für Training oder Validierung verwendet wird.

In dieser Studie werden MRT-Untersuchungen von verschiedenen Scannern und Institutionen durchgeführt. Daher können die Aufnahmeprotokolle und Rekonstruktionstechniken zwischen den Scannern variieren. Um dieses Problem anzugehen, werden Vorverarbeitungstechniken angewendet, um die Bilder über verschiedene Scanner hinweg zu standardisieren.