Tiefe neuronale Netzwerk-assistierte Computertomographie-Diagnostik metastatischer Lymphknoten bei Magenkarzinom
Das Magenkarzinom stellt ein globales Gesundheitsproblem dar und rangiert an fünfter Stelle unter malignen Erkrankungen sowie an dritter Stelle bei tumorbedingten Todesfällen. In China ist die Erkrankung besonders prevalent, mit hoher Mortalität und schlechter Prognose. Zum Zeitpunkt der Diagnose haben Tumorzellen häufig bereits infiltriert und metastasiert, wobei die Lymphknotenmetastasierung die primäre Ausbreitungsform darstellt. Eine präzise präoperative Beurteilung der Lymphknotenmetastasierung ist entscheidend für die Therapieplanung, einschließlich chirurgischer Eingriffe und neoadjuvanter Chemotherapie. Herkömmliche Methoden zur Evaluierung von Lymphknotenmetastasen mittels kontrastverstärkter Computertomographie (CT) sind jedoch mit Herausforderungen wie technischen Schwierigkeiten sowie unvermeidbaren falsch-negativen und falsch-positiven Ergebnissen konfrontiert.
Diese Studie untersucht die Anwendung tiefer neuronaler Netzwerke, insbesondere Faster Region-Based Convolutional Neural Networks (FR-CNN), zur Verbesserung der CT-Diagnostik perigastrischer metastatischer Lymphknoten (PGMLNs) bei Magenkarzinompatienten. Ziel ist die Simulation der radiologischen Lymphknotenerkennung und die Erzielung präziserer Identifikationsergebnisse durch Deep Learning.
Retrospektiv wurden 750 Magenkarzinompatienten analysiert, die zwischen Januar 2011 und Mai 2018 am Universitätsklinikum Qingdao CT-untersucht wurden. Bei 250 Patienten lag eine postoperative pathologische Bestätigung von PGMLNs vor. Die Studie wurde durch die Ethikkommission genehmigt und im Chinesischen Register Klinischer Studien registriert.
Die Methodik umfasste zwei Deep-Learning-Phasen: eine initiale Trainingsphase und eine Präzisionslernphase. In der Initialphase wurden 18.780 kontrastverstärkte CT-Bilder und 1.371 annotierte Bilder von 313 Patienten verwendet. Die Präzisionsphase nutzte 11.340 CT-Bilder und 1.004 annotierte Bilder von 189 Patienten. Die Annotation erfolgte durch erfahrene Radiologen unter Berücksichtigung von Größe, Form und Kontrastmittelaufnahme.
Das FR-CNN wurde mittels Stochastic Gradient Descent und Backpropagation trainiert, ausgehend von ImageNet-vortrainierten Gewichten. In der Initialgruppe betrug die mittlere durchschnittliche Präzision (mAP) 0,5019 und die Fläche unter der ROC-Kurve (AUC) 0,8995. Nach dem Präzisionstraining verbesserten sich diese Werte auf 0,7801 (mAP) und 0,9541 (AUC). Die Erkennungsgenauigkeit des FR-CNN lag bei 95,4 %, signifikant höher als bei konventionellen Methoden.
Die Studie zeigt Vorteile der FR-CNN-basierten PGMLN-Erkennung: Mehrwinkelrekonstruktion der Lymphknotenverteilung, reduzierte falsch-negative Ergebnisse durch axiale CT-Beschränkungen und weniger falsch-positive Befunde durch Gefäßquerschnitte oder perigastrisches Fettgewebe. Das Netzwerk ermöglicht eine umfassende Beurteilung von Lokalisation, Anzahl, Größe und Dichte der Lymphknoten, wodurch das Staging präzisiert wird.
Die klinischen Implikationen sind bedeutsam: Eine akkurate präoperative PGMLN-Evaluierung ist essenziell für die Indikationsstellung zur neoadjuvanten Chemotherapie, die bei fortgeschrittenen Tumoren die Überlebensrate verbessert. Die FR-CNN-gestützte Bestimmung von Anzahl, Lokalisation und Durchmesser metastatischer Lymphknoten ermöglicht optimale Therapieentscheidungen.
Zudem unterstützt das System die endoskopische Submukosadissektion und Lymphadenektomie während der radikalen Gastrektomie. Die automatisierte Erkennung minimiert menschliche Fehler und Ermüdungseffekte, was insbesondere bei der prognosekritischen Lymphknotendissektion relevant ist.
Zusammenfassend revolutioniert der FR-CNN-Ansatz die präoperative PGMLN-Diagnostik durch die Transformation manueller Strategien in eine KI-basierte Methodik. Dieses Verfahren zeigt hohe Erkennungsgenauigkeit und hat das Potenzial, Diagnostik, Therapieplanung und Patientenoutcomes bei Magenkarzinom nachhaltig zu verbessern.
doi.org/10.1097/CM9.0000000000000532