Automated detection of cerebral aneurysms on TOF-MRA using a deep learning approach: An external validation
American Journal of Neuroradiology, Vol. 43, Dezember 2022, S. 1700–1705
H. C. Lehnen et al., Bonn
Intrakraniale Aneurysmen (IA) können in 80%–95% der Fälle mittels CT bzw. MRT diagnostiziert werden, allerdings mit einer hohen Rate von falsch-positiven Befunden. Um eine höhere Diagnoserate zu erlangen, wurde im Rahmen der TOF-MRT eine KI-Software (Mdbrain) eingesetzt, die zunächst an 93 sackförmigen IA trainiert wurde. Es ergab sich eine Diagnosestellung durch die KI mit einer Sensitivität, Spezifität und Genauigkeit von 70,4%, 87,2% und 82,6% in Anhängigkeit von Größe, Lage und Form der IA. Bei nicht-thrombosierten, sackförmigen IA betrug die Sensitivität 100%.
Die Prävalenz von intrakranialen Aneurysmen (IA) beträgt ca. 2% der Bevölkerung. CT- und MRT- Untersuchungen können 80%–95% der IA diagnostizieren, allerdings mit einer relativ hohen Rate an falsch-positiven Befunden. Neuerdings werden mit Hilfe von „deep learning-Algorithmen“ bei Anwendung von CTA und TOF-MRT bessere Ergebnisse erzielt. „Mdbrain“ ist eine solche Software, die den Radiologen eine Diagnose erleichtern soll. Die Autoren haben diesbezüglich eine Musterstudie angefertigt, bei der mittels 3T- und 1,5T-Geräten unterschiedliche Aneurysmen hinsichtlich Größe, Lokalisation und Morphologie diagnostiziert werden sollten, um die Effektivität dieser Software zu testen.
Trainiert wurden diese Algorithmen an 93 sackförmigen Aneurysmen. Danach wurden zwischen März 2018 und Januar 2022 191 MRT-Untersuchungen retrospektiv ausgewertet. Routinemäßig wurden axiale 3D-TOF-Sequenzen herangezogen. Die Auswertung erfolgte mittels der KI-basierten Software „Mdbrain“. Die Diagnostik der KI-Software wurde verglichen mit der Diagnostik von Radiologen. Wenn nicht vorhandene Aneurysmen weder von der Software noch von den Radiologen als positiv „entdeckt“ wurden, wurde dies als korrekt-negativ eingeordnet. Vorhandene Aneurysmen, die durch die Software und durch Radiologen unentdeckt blieben, wurden als falsch-negativ gewertet.
Von den 191 Patienten wiesen 54 Patienten Aneurysmen auf. 109 Patienten (57,1%) waren Frauen, 82 Patienten (42,9%) Männer. Das Durchschnittsalter betrug 58,2 Jahre (18–95 Jahre). 47 Patienten (24,6%) hatten ein Aneurysma, sieben Patienten (3,7%) mehr als ein Aneurysma. 28 Aneurysmen (48,3%), die von Radiologen entdeckt wurden, wurden angiographisch überprüft. 51 IA (94,4%) waren sackförmig, drei IA (5,6%) fusiform. sechs IA (11,1%) zeigten eine Teilthrombose. Der größte Durchmesser eines IA betrug 7,3 mm. 39 IA (72,2%) lagen in der anterioren, 15 IA ( 27,8%) in der dorsalen Zirkulation.
46 IA (85,2%) wurden beim ersten Report korrekt diagnostiziert, die restlichen acht IA (14,8%) konnten erst retrospektiv bestätigt werden. 123 Befunde wurden korrekt als negativ klassifiziert, während 16 IA, die durch Radiologen gesehen wurden, von der Software nicht erkannt und als falsch negativ deklariert wurden. Die Genauigkeit der Software betrug 82,6% mit einer Sensitivität von 70,4%, einer Spezifität von 87,2%, einem PPV von 67,9% und einem NPV von 88,5%. Für die IA im vorderen Zirkulus betrug die Sensitivität 77,8% mit einer Genauigkeit von 85,7%. Bei den sackartigen IA mit einem Durchmesser von >5mm und ohne Thrombose betrugen die Zahlen für Sensitivität, Spezifität und Genauigkeit 100%, 87,2% und 88,0%. Bei fusiformen oder thrombosierten IA betrug die Sensitivität nur 33,3% bzw. 16,7%.
Zusammenfassend wurden in der vorliegenden Studie die diagnostischen Möglichkeiten einer KI-basierten TOF-MRT-Untersuchung von IA bei 191 Patienten evaluiert. Die Ergebnisse waren abhängig von der Lokalisation, der Form, der Größe und der Thrombosierung der jeweiligen IA. Es zeigte sich deutlich, dass die KI-Software die befundenden Radiologen bei der Entdeckung von IA unterstützen kann.
