Auf künstlicher Intelligenz basierende Bildverarbeitungsmethoden zur Weiterentwicklung der Charakterisierung polyzystischer Nierenerkrankungen (AI4PKD)

Die autosomal-dominante polyzystische Nierenerkrankung (ADPKD) ist die häufigste erbliche Nierenerkrankung und betrifft weltweit 12,5 Millionen Menschen aller ethnischen Gruppen. ADPKD wird durch eine Genmutation in PKD1 oder PKD2 verursacht, die zur Bildung und zum Wachstum mehrerer mit Flüssigkeit gefüllter Zysten in den Nieren und oft auch in der Leber führt, was zu chronischen Nierenschäden und schließlich zu einer Nierenerkrankung im Endstadium führt. Bei ADPKD kann die Nierenfunktion mehrere Jahrzehnte lang normal bleiben und ist daher nicht vollständig aussagekräftig. Die Identifizierung früher Biomarker, die den Krankheitsverlauf genau überwachen und vorhersagen können, um umgehend Maßnahmen zu ergreifen und zielgerichtete Behandlungsoptionen auszuwählen, ist dringend erforderlich. Das Gesamtnierenvolumen gilt als prognostischer Biomarker zur Auswahl von Patienten für klinische Studien und wird von der wissenschaftlichen Gemeinschaft als relevanter Biomarker zur Überwachung des Krankheitsverlaufs und des Ansprechens auf die Therapie sowie zur Vorhersage des ADPKD-Verlaufs anerkannt. Das gesamte Nierenvolumen kann mithilfe medizinischer Bilder wie Ultraschall, Computertomographie und Magnetresonanztomographie (MRT) quantifiziert werden. Die nicht kontrastmittelverstärkte Nieren-MRT zeichnet sich durch eine hohe Auflösung aus und erfordert weder Kontrastmittel noch ionisierende Strahlung. Sie ist am besten geeignet, um die Entwicklung des Gesamtnierenvolumens im Laufe der Zeit zu überwachen und Nierenzysten eindeutig zu erkennen. Da viele ADPKD-Patienten auch polyzystische Lebern haben, können die Gesamtleber und das Leberzystenvolumen zusätzliche relevante Informationen liefern.

Die Messung des gesamten Nieren-, Leber- und Zystenvolumens basiert auf der Nierensegmentierung, die im Allgemeinen durch manuelle Konturierung durchgeführt wird, eine vom Bediener abhängige und zeitaufwändige Aufgabe, die spezielles Fachwissen erfordert. In der Vergangenheit wurden automatische oder halbautomatische Methoden zur Segmentierung von Nieren und Zysten vorgeschlagen, die auf traditionellen Ansätzen und Techniken der künstlichen Intelligenz (KI) basieren. Die geringe Erklärbarkeit und der Bedarf an großen und kuratierten Datensätzen, die es ermöglichen, genaue und verallgemeinerte Modelle zu erhalten, haben jedoch bisher ihre breite Einführung in der klinischen Forschung behindert. Eine vollautomatische Segmentierungsmethode zur genauen Identifizierung von Nieren, Leber und Zysten wäre äußerst wünschenswert.

Über die Quantifizierung des Nieren-, Leber- und Zystenvolumens hinaus kann die Charakterisierung von nicht-zystischem Nierengewebe zusätzliche relevante Informationen zur ADPKD-Pathophysiologie liefern. Vor einigen Jahren ergab eine kontrastmittelverstärkte CT-Studie das Vorhandensein einer peritubulären interstitiellen Fibrose in der nicht-zystischen Komponente der ADPKD-Nieren, die mit der Nierenfunktion und deren Verschlechterung im Laufe der Zeit verbunden war, was kürzlich durch eine unabhängige Studie zur dynamischen kontrastmittelverstärkten T1 bestätigt wurde -gewichtetes MRT. Fortschrittliche Bildverarbeitungstechniken wie Radiomics, die darauf abzielen, mit hohem Durchsatz Informationen aus radiologischen Bildern zur Charakterisierung der räumlichen Heterogenität von Gewebe zu berechnen, zeigen Potenzial zur Charakterisierung der Gewebemikrostruktur. Vorversuche an ADPKD-Patienten wurden mit T1-gewichteten und T2-gewichteten MRT-Scans durchgeführt. Darüber hinaus könnte Radiomics hilfreich sein, um multiparametrische Schichtungs- und Vorhersagemodelle einschließlich bildbasierter Merkmale zu erstellen.