Etablierung und klinischer Anwendungswert einer automatischen Diagnoseplattform für das T-Staging des Rektumkarzinoms basierend auf einem tiefen neuronalen Netzwerk

Kolorektale Karzinome stellen weiterhin eine globale gesundheitliche Herausforderung dar, wobei ihre Inzidenz an dritter Stelle unter malignen Tumoren und die Mortalität an vierter Stelle der krebsbedingten Todesfälle liegt. Eine präzise präoperative Staging-Beurteilung ist entscheidend für die Festlegung der Therapiestrategien, da Fehlentscheidungen durch ungenaues Staging irreversible Folgen haben können. Die Magnetresonanztomographie (MRT) hat sich aufgrund ihrer überlegenen Weichteilauflösung gegenüber endoskopischem Ultraschall (EUS) und Computertomographie (CT) als Goldstandard für das präoperative Staging des Rektumkarzinoms etabliert. Die Variabilität der radiologischen Expertise, hohe Arbeitsbelastung und menschliche Fehler schränken jedoch die diagnostische Konsistenz ein. Diese Studie adressierte diese Herausforderungen durch die Entwicklung einer künstlichen Intelligenz (KI)-basierten Plattform unter Verwendung von Faster Region-Based Convolutional Neural Networks (Faster R-CNN) zur Automatisierung des T-Stagings anhand von MRT-Daten.

Methodik und Plattformdesign

Die Studie analysierte retrospektiv 183 Patienten mit Rektumkarzinom, die zwischen Juli 2016 und Juli 2017 am Universitätsklinikum Qingdao behandelt wurden. Einschlusskriterien umfassten präoperative hochauflösende Becken-MRT, postoperative pathologische Bestätigung des T-Stadiums und radikale chirurgische Resektion. Patienten mit unklaren Diagnosen oder nicht-malignen Läsionen wurden ausgeschlossen. Die Kohorte bestand aus 121 Männern (66,1%) und 62 Frauen (33,9%) mit Tumorlokalisationen in 59 Fällen im unteren, 91 im mittleren und 33 im oberen Rektumdrittel. Die MRT-Untersuchungen erfolgten mit einem GE Signa 3,0T HDX-Scanner unter Verwendung von T2-gewichteten Sequenzen in sagittaler, koronarer und axialer Ebene. Wichtige Parameter umfassten Repetitionszeiten von 2000–4000 ms, Echozeiten von 60–120 ms und Schichtdicken von 5–6 mm. Insgesamt wurden 10.800 MRT-Bilder erfasst, wobei 80% (8640 Bilder) für das Training und 20% (2160 Bilder) zur Validierung genutzt wurden.

Die Faster R-CNN-Architektur wurde aufgrund ihrer Fähigkeit zur gleichzeitigen Generierung von Regionen von Interesse (ROIs) und Klassifizierung der Tumorstadien gewählt. Das Netzwerk bestand aus vier Komponenten:

1. Konvolutionale Schichten: Extrahierten Merkmale aus auf 512×557 Pixel skalierten und normalisierten Eingangsbildern.
2. Region Proposal Network (RPN): Generierte potenzielle Tumorregionen mithilfe an die Rektumanatomie angepasster Ankerboxen.
3. ROI-Pooling: Standardisierte variable Regionsgrößen zu festen Vektoren für die Klassifizierung.
4. Klassifizierung und Regression: Prognostizierte T-Stadien (T1–T4) basierend auf der Invasionstiefe.

Das Training erfolgte in einem vierstufigen iterativen Prozess:

1. RPN-Training: Initialisierung mit VGG16-Gewichten unter Verwendung annotierter T-Stadien.
2. Detektionsnetzwerk-Training: Nutzung der RPN-Vorschläge zur Stadienklassifizierung.
3. RPN-Feinabstimmung: Anpassung der RPN-Parameter bei fixierten konvolutionalen Schichten.
4. Detektionsnetzwerk-Feinabstimmung: Finale Optimierung der Klassifizierungsschichten.

Die Verlustfunktion kombinierte Klassifizierungs- und Lokalisierungsfehler und zeigte über 700 Epochen eine stetige Abnahme, was auf eine erfolgreiche Konvergenz hinweist.

Leistungsbewertung

Die Plattform zeigte hervorragende Leistung in allen MRT-Ebenen und T-Stadien:

1. Ebenenidentifikation: 100% Genauigkeit bei der Unterscheidung sagittaler, koronarer und axialer Ebenen.
2. Gesamtdiagnostische Genauigkeit:
   • Axiale Ebene: Fläche unter der Kurve (AUC) = 0,99
   • Koronare Ebene: AUC = 0,98
   • Sagittale Ebene: AUC = 0,97
3. Stadienabhängige Leistung:
   • Axiale Ebene: AUC-Werte für T1–T4 betrugen jeweils 1,00.
   • Koronare Ebene: AUC reichte von 0,96 (T1) bis 0,97 (T2–T4).
   • Sagittale Ebene: AUC-Werte waren 0,95 (T1), 0,99 (T2), 0,96 (T3) und 1,00 (T4).

Diese Ergebnisse übertrafen die 62%ige Diagnosegenauigkeit der Radiologen des teilnehmenden Krankenhauses sowie die manuelle MRT-Staging-Genauigkeit (86%). Die Fähigkeit der Plattform, Tumorränder zu detektieren und Stadien zu klassifizieren, wird durch Vergleichsabbildungen von Expertenannotaten und KI-Prognosen veranschaulicht.

Klinische Implikationen und Limitationen

Die Studie unterstreicht drei wesentliche Fortschritte:

1. Automatisierte Multi-Ebenen-Integration: Durch simultane Analyse orthogonaler Ebenen verbessert sich die Staging-Zuverlässigkeit.
2. Pathologiegestütztes Lernen: Training an postoperativen pathologischen „Goldstandards“ reduzierte Diskrepanzen zwischen Bildgebung und Histopathologie.
3. Operative Effizienz: Schnellere Bildverarbeitung als manuelle Auswertungen adressiert den Radiologenmangel.

Limitationen umfassen:

• Selektionsbias: Ausschluss nicht-chirurgischer Patienten (z. B. metastasierte oder endoskopisch resezierte Frühstadien) könnte die Generalisierbarkeit einschränken.
• Restaging nach neoadjuvanter Therapie: Die Plattform wurde nicht an Post-Chemoradiatio-Fällen getestet, bei denen Fibrosen die MRT-Interpretation erschweren.
• Klassenungleichgewicht: Ungleiche T-Stadien-Verteilung (z. B. wenige T1-Fälle) könnte Klassifizierungsverzerrungen begünstigen.

Fazit und zukünftige Richtungen

Die Studie etablierte erfolgreich eine KI-Plattform für das T-Staging des Rektumkarzinoms mit radiologieexpertenvergleichbarer Genauigkeit. Durch Deep Learning und Multi-Ebenen-Analyse bietet das System schnelle, konsistente Staging-Ergebnisse zur Therapieplanung. Zukünftige Arbeiten konzentrieren sich auf:

1. Erweiterung der Trainingsdatensätze um nicht-chirurgische und Post-Chemoradiatio-Fälle.
2. Integration von Modulen für Lymphknoten- (N) und Metastasen- (M) Staging.
3. Validierung der Leistungsfähigkeit in diversen Populationen und Bildgebungsprotokollen.

Die Plattform demonstriert das transformative Potenzial der KI in der Onkologie, um Bildgebungsressourcen mit klinischem Bedarf zu verknüpfen und diagnostische Variabilität zu reduzieren.

doi.org/10.1097/CM9.0000000000001401