Diep leren toegepast op gewone abdominale radiografische bewaking na endovasculair aneurysmaherstel (EVAR) van abdominaal aorta-aneurysma (AAA) (DeepLearn)

Abdominaal aorta-aneurysma (AAA) is een aandoening waarbij de abdominale aorta, een grote slagader, geleidelijk verwijdt, secundair aan een degeneratief proces binnen de wand. Dit kan leiden tot scheuren van de verzwakte wand met daaropvolgend leegbloeden in de buik. Dit scenario is meestal dodelijk. De diameter van het aneurysma correleert positief met het risico op scheuren. De grootte van het aneurysma is daarom de belangrijkste bepalende factor bij de overweging om al dan niet electief AAA's te repareren.

Endovasculair aneurysmaherstel (EVAR) is bij de overgrote meerderheid van de patiënten de standaardbehandeling geworden voor AAA's. Het is een minimaal invasieve techniek die tot doel heeft het aneurysma uit de bloedsomloop te houden door plaatsing van een synthetische "stent-graft" in het aortalumen. Metalen weerhaken en radiale kracht handhaven de positie van de stent-graft in niet-aneurysmale aorta boven het aneurysma en in de iliacale slagaders onder het aneurysma.

Bewijs van niveau 1 heeft consequent verbeterde peri-operatieve overleving aangetoond met EVAR in vergelijking met traditionele open chirurgie. Er zijn echter zorgen over de duurzaamheid op lange termijn van EVAR-stentgrafts, waarbij 1 op de 5 patiënten in de 5 jaar na de operatie een nieuwe operatie aan het aneurysma nodig heeft. Dit is vaak te wijten aan het falen van de positie en integriteit van de stent-graft. Daarom is het de standaard internationale praktijk om patiënten levenslang te bewaken na EVAR. Dit is meestal in de vorm van gewone röntgenfoto's in combinatie met computertomografie (CT) of duplex echografie, allemaal uitgevoerd op jaarbasis.

Stent-grafts zijn zichtbaar op gewone röntgenfoto's van de buik en door reeksen afbeeldingen die in de loop van de tijd zijn genomen te vergelijken, is het mogelijk een groot aantal stent-graft-problemen te diagnosticeren, waaronder migratie, desintegratie en vervorming. Maar deze veranderingen kunnen subtiel zijn op gewone röntgenfoto's en moeilijk te zien, zelfs voor het meest getrainde menselijke oog. Als gevolg hiervan ondergaan patiënten meer gedetailleerde scans die helaas een risico op nefrotoxiciteit en door straling geïnduceerde maligniteiten met zich meebrengen.

Het doel van ons onderzoek is om het diagnostisch potentieel van gewone röntgenfoto's te verbeteren door moderne deep learning computeralgoritmen toe te passen voor interpretatie.

Kunstmatige intelligentie (AI) in de vorm van deep learning heeft de afgelopen jaren veel succes gehad bij tal van uitdagende problemen. Het succes van deep learning wordt grotendeels ondersteund door de vooruitgang in krachtige grafische verwerkingseenheden (GPU's). GPU's stellen ons in staat om trainingsalgoritmen met ordes van grootte te versnellen, waardoor looptijden van weken worden teruggebracht tot dagen.

Onze studie zal het gebruik van kunstmatige intelligentie onderzoeken bij het interpreteren van reeksen geanonimiseerde gewone röntgenfoto's om kenmerken van een falende stent-graft te identificeren.

Een deep-learning algoritme zal worden toegepast op post-EVAR gewone röntgenfoto's die de afgelopen 10 jaar al zijn gemaakt in onze instelling in Engeland. We zullen dan de effectiviteit van de machine bij het identificeren van stent-graft-gerelateerde problemen vergelijken met de bekende uitkomsten die eerder door menselijke interpretatie zijn geïdentificeerd.

Dit project zal steunen op recente ontwikkelingen in deep learning-technieken. Verwacht wordt dat deep learning goede prestaties zal opleveren voor EVAR-surveillance, in overeenstemming met de succesvolle toepassing ervan in domeinen zoals de herkenning van cijfers, Chinese karakters en verkeersborden waar computers een grotere nauwkeurigheid hebben geproduceerd dan mensen.