Core Concepts
Der vorgestellte Ensemble-Algorithmus kann ischämische Schlaganfallläsionen in MRT-Bildern mit einer Genauigkeit segmentieren, die mit der von Experten vergleichbar ist, und zeigt eine hohe Übertragbarkeit auf diverse klinische und bildgebende Szenarien.
Abstract
Die Studie beschreibt die Organisation der ISLES'22-Herausforderung, die Entwicklung einer robusten Deep-Learning-Ensemble-Lösung, die in der Lage ist, sich an multiple Variabilitätsachsen anzupassen, deren Validierung anhand des größten verfügbaren externen Schlaganfalldatensatzes und schließlich den praktischen Nutzen für nachgelagerte klinische Analysen.
Die Herausforderung ISLES'22 bot eine leistungsfähige Plattform für das schnelle Benchmarking und die Identifizierung vielversprechender Ansätze. Die Teilnehmer entwickelten Deep-Learning-basierte Lösungen, die eine große Bandbreite an Architekturvarianten, Verlustfunktionen und Eingabemodaliitäten abdeckten.
Der vorgestellte Ensemble-Algorithmus kombiniert die Stärken der besten individuellen Lösungen und übertrifft diese in Bezug auf Genauigkeit und Robustheit. Er zeigt eine hervorragende Leistung bei der Erkennung und Segmentierung von ischämischen Läsionen über diverse bildgebende und klinische Szenarien hinweg, einschließlich unterschiedlicher Bildgebungszentren, Läsionsgrößen, Schlaganfallphasen und Gefäßterritorien.
In einem Turing-ähnlichen Test bevorzugten Neuroradiologen konsistent die vom Algorithmus generierten Segmentierungen gegenüber manuell erstellten Expertendelineationen. Darüber hinaus zeigte der Ensemble-Algorithmus bei der Validierung an einem großen externen Datensatz eine mit Experten vergleichbare oder sogar überlegene Leistung bei der Vorhersage klinischer Scores wie NIHSS und mRS.
Insgesamt bietet diese Studie zwei Schlüsselergebnisse: Erstens präsentiert sie einen Ensemble-Algorithmus, der ischämische Schlaganfallläsionen in DWI-Bildern über diverse Szenarien hinweg auf dem Niveau von Experten (Neuro-)Radiologen erkennt und segmentiert. Zweitens zeigt sie das Potenzial, dass die Ergebnisse von biomedizinischen Herausforderungen über die ursprünglichen Ziele hinaus gehen und ihre klinische Relevanz demonstrieren können.
Stats
Die Läsionsvolumen der Akutphase-Scans sind im Durchschnitt kleiner als die der subakuten Phase-Scans.
Der Ensemble-Algorithmus überschätzt leicht die Läsionsvolumen in Akutphase-Scans im Vergleich zu manuellen Expertendelineationen.
Es besteht eine sehr hohe Übereinstimmung zwischen den vom Ensemble-Algorithmus geschätzten Läsionsvolumen und den manuell ermittelten Werten (Pearson r = 0,97).
Die Korrelation zwischen den vom Ensemble-Algorithmus geschätzten Läsionsvolumen und den klinischen Scores NIHSS bei Aufnahme (r = 0,55) und mRS nach 90 Tagen (r = 0,41) ist leicht höher als bei manuell delineerten Läsionen (NIHSS r = 0,54, mRS r = 0,39).
Quotes
"Der vorgestellte Ensemble-Algorithmus kombiniert die Stärken der besten individuellen Lösungen und übertrifft diese in Bezug auf Genauigkeit und Robustheit."
"In einem Turing-ähnlichen Test bevorzugten Neuroradiologen konsistent die vom Algorithmus generierten Segmentierungen gegenüber manuell erstellten Expertendelineationen."
"Der Ensemble-Algorithmus zeigte bei der Validierung an einem großen externen Datensatz eine mit Experten vergleichbare oder sogar überlegene Leistung bei der Vorhersage klinischer Scores wie NIHSS und mRS."