Anwendung von Algorithmen basierend auf konvolutionellen neuronalen Netzwerken in medizinischen Bildern zur Beurteilung der Leberfibrose
Die Leberfibrose stellt ein kritisches Stadium dar, das zu hepatischer Dysfunktion führen kann und eine signifikante Rolle bei der Progression zu portaler Hypertonie, biliärer Zirrhose und hepatozellulärem Karzinom spielt. Die genaue Beurteilung der Leberfibrose bleibt eine klinische Herausforderung. Historisch galt die Leberbiopsie als Goldstandard für Diagnose und Stadieneinteilung. Aufgrund ihrer Invasivität, Probenvariabilität sowie inter- und intraindividueller Unterschiede in der pathologischen Interpretation wird sie jedoch von Patienten und Klinikern oft abgelehnt. Nicht-invasive Methoden zur Beurteilung der hepatischen Fibrose haben sich als Alternativen etabliert, die durch medizinische Bildgebung eine akzeptable diagnostische Genauigkeit bei minimaler Belastung bieten. Die frühzeitige Erkennung von Leberfibrose mittels Bildgebung kann Leberversagen reduzieren und das Fortschreiten der Erkrankung verhindern. Traditionell erfolgt die Bildanalyse durch klinische Experten. Durch Fortschritte in der computerbasierten Diagnostik, insbesondere in Deep-Learning-Algorithmen der künstlichen Intelligenz, können Ärzte nun präzisere Befunde für klinische Entscheidungen generieren.
Konvolutionelle Neuronale Netze (CNN) haben sich in der medizinischen Bildverarbeitung zur Beurteilung der Leberfibrose bewährt, einschließlich Bildsegmentierung, Klassifikation und Prädiktion. CNN zeichnen sich durch Robustheit gegenüber Datenheterogenität aus und ermöglichen eine präzise Stadieneinteilung der Fibrose mit hoher diagnostischer Treffsicherheit. Ihre Anwendbarkeit erstreckt sich auf diverse medizinische Fachgebiete.
Ziel dieser Studie war die Untersuchung grundlegender CNN-Techniken und moderner Algorithmen zur Verbesserung der Fibrosebeurteilung in der Bildgebung. Dies umfasst die Analyse von Merkmalsextraktion, Faltungsoperationen, Normalisierung und ReLU-Aktivierungsfunktionen. Zudem wurden aktuelle Forschungsergebnisse zu CNN-basierten Fibrosestadienbewertungen evaluiert und potenzielle Deep-Learning-Ansätze diskutiert.
Es erfolgte eine systematische Literaturrecherche in den Datenbanken MEDLINE, EMBASE, Chinesische Biomedizinische Literaturdatenbank, WANFANG und CNKI für Publikationen vom 1. Januar 1966 bis 1. Januar 2020. Suchbegriffe bezogen sich auf Leberfibrose, CNN und diagnostische Genauigkeit. Einschlusskriterien waren Patientenalter (18–65 Jahre), CNN-basierte Fibrosestadienbewertung und Validierung der Modelle mittels AUROC, Sensitivität (SEN), Spezifität (SPE), falsch-positiver (FPR) oder falsch-negativer Rate (FNR). Ausschlusskriterien umfassten schwere kardiovaskuläre/zerebrovaskuläre Erkrankungen, psychische Störungen und maligne Tumore des Verdauungstrakts.
Acht Studien zur CNN-basierten Fibrosestadienbewertung wurden identifiziert. Eine Studie entwickelte einen automatisierten CNN-Klassifikator für nicht-alkoholische Fettlebererkrankung (NAFLD)-induzierte Fibrose, sieben untersuchten Hepatitis-B-Virus (HBV)-induzierte Fibrose.
Liu et al. präsentierten ein ultraschallbasiertes Diagnosesystem mit Deep-CNN-Modell, das eine Genauigkeit von 0,968 erreichte. Brattain et al. entwickelten ein automatisiertes Framework zur SWE-Bildqualitätskontrolle und ROI-Auswahl, wobei CNN mit einer AUROC von 0,890 überlegene Leistung gegenüber Random Forests und SVM zeigte. Byra et al. nutzten ein auf ImageNet vortrainiertes Inception-ResNet-v2-Modell zur Steatosebewertung (AUROC: 0,977). Wang et al. validierten Deep-Learning-Radiomik der Elastografie (DLRE) mit AUROCs von 0,970 (Zirrhose, F4), 0,980 (fortgeschrittene Fibrose ≥F3) und 0,850 (signifikante Fibrose ≥F2). Yu et al. demonstrierten die Überlegenheit eines AlexNet-basierten Algorithmus gegenüber herkömmlichen Methoden. Yasaka et al. korrelierten dynamische kontrastverstärkte CT-Befunde mittels DCNN signifikant mit Fibrosestadien. Treacher et al. optimierten 100 CNN-Architekturen hinsichtlich Parameterkonfiguration. Gatos et al. verbesserten die SWE-Bildanalyse durch CNN-basierte Maskierung von Steifigkeitsarealen.
Die Faltungsschicht bildet die Grundlage von CNN, wobei Merkmalsextraktion durch lineare und nichtlineare Operationen erfolgt. Faltungskerne (kleine Pixelmatrizen) werden über das Eingangsbild bewegt und durch Backpropagation optimiert. Lokale Gewichtsmatrizen aktivieren nichtlineare Funktionen zur Merkmalspropagation in tieferen Schichten.
In der vollvernetzten Schicht werden hochdimensionale Merkmalsdaten in ein eindimensionales Array transformiert, das finalen Klassifikationswahrscheinlichkeiten zugeordnet wird. Die Wahl der Aktivierungsfunktion (z. B. ReLU, Sigmoid, Tanh) in der letzten Schicht beeinflusst die diagnostische Genauigkeit maßgeblich. ReLU erzwingt nicht-negative Ausgaben, Sigmoid bildet Werte auf [0,1] ab, Tanh auf [−1,1].
CNNs ermöglichen eine effiziente, automatisierte Bildanalyse zur Fibrosebeurteilung, reduzieren manuelle Arbeitsschritte und entschlüsseln komplexe Bildmuster analog zur visuellen Kortexverarbeitung. Herausforderungen bestehen in der Interpretation von Neuronenaktivitäten und nichtlinearen Funktionen. Lösungsansätze umfassen Visualisierungstechniken zur Nachvollziehbarkeit von Merkmalsrepräsentationen für Kliniker.
doi.org/10.1097/CM9.0000000000001536