Maschinelles Lernen zur Detektion von Dosisoptimierungspotenzial in der Computertomografie des Abdomens

Zielsetzung:

Evaluation verschiedener Modelle des Maschinellen Lernens zur Detektion von Dosisoptimierungspotenzial in der CT des Abdomens.

Material und Methoden:

7.072 CT Untersuchungen des Abdomens wurden für das Training und das Testen der Modelle genutzt (07/2016 – 01/2018, 56% männlich, 62 ± 16 Jahre, 80%/20% Training/Test). Verschiedene Modelle des Maschinellen Lernens (1: Lineare Regression; 2: k-Nearest Neighbors; 3: Multivariate Adaptive Regression Splines; 4: neuronales Netzwerk; 5: Weighted k-Nearest Neighbor; 6: eXtreme Gradient Boosting (XGB)) wurden darauf trainiert, einen optimalen CTDIvol basierend auf Patientendaten und Scanparametern (CT Gerät, Studienbeschreibung, CT Protokoll, Patientenalter, Geschlecht, wasseräquivalenter Patientendurchmesser (Dw)) vorherzusagen. Die Wurzel des mittleren quadratischen Prognosefehlers (root mean squared error, RMSE) wurde zur Qualitätsbeurteilung genutzt. Das effektivste Modell wurde weiter analysiert. Ein Validationsdatensatz aus 100 separaten, konsekutiven CT Untersuchungen (01/2018, 61% männlich, 62 ± 15 Jahre) wurde durch zwei unabhängige Radiologen im Hinblick auf Dosisoptimierungspotenzial analysiert und genutzt um einen optimalen Schwellenwert für die Detektion von Dosisoptimierungspotenzial festzulegen.

Ergebnisse:

Die RMSE der Modelle 1 – 6 betrug 3,42, 3,48, 2,97, 2,72, 2,78 und 2,47. Der RMSE des optimierten XGB Modells betrug im Training-, Test- und Validationsdatensatz 2,45, 2,36 und 1,24. Die Radiologen detektierten Dosisoptimierungspotenzial in 17/100 Untersuchungen. Eine Abweichung von mindestens 17,5% zwischen vorhergesagtem und realem CTDIvol wurde als optimal zur Detektion von Dosisoptimierungspotenzial errechnet und ermöglichte die Detektion von 7/17 (41%) der Untersuchungen.

Schlussfolgerungen:

Das XGB Modell war optimal zur Detektion von Potenzial zur Dosisoptimierung von CT Untersuchungen des Abdomens. Eine weitere Optimierung ist jedoch notwendig, beispielsweise durch die Berücksichtigung weiterer Modellparameter.