Deep-Learning-Modell zur Dignitätsklassifizierung von Schleimhautveränderungen in cholangioskopischen Bildsequenzen

Hintergrund Bei cholangioskopisch festgestellten Schleimhautveränderungen ist die Differenzierung zwischen neoplastischen und entzündlichen Gallenwegsveränderungen anhand des cholangioskopisch gesehenen Bildes schwierig. Bisher gibt es keine publizierten Studien hinsichtlich der Verwendung von Deep-Learning-Systemen zur Dignitätsklassifizierung von cholangioskopischen Bildbefunden.

Fragestellung Ist eine bildmorphologische Dignitätsklassifizierung von cholangioskopischen Schleimhautveränderungen mittels automatischer Strukturerkennung in einem Deep-Learning-Modell möglich?

Material und Methoden Im Rahmen dieser retrospektiven Studie wurden Cholangioskopiebilder von insgesamt 35 Patienten, die in unserer Klinik mittels Spy-Glass-Cholangioskopiesystem untersucht wurden, verwendet. Die Bilder wurden, nach histopathologischen Abgleich, drei verschiedenen Klassen („normal“ (n = 128 Bilder), „entzündlich“ (n = 148 Bilder), „maligne“ (n = 183 Bilder)) zugeordnet. Zunächst erfolgte eine Bildschwellenwertbildung mittels Otsu-Tresholding. Die verwendete Netzwerkarchitektur baute auf einem EfficientNet in der Variante B3 auf, welches mit dem ImageNet-Datensatz vortrainiert wurde. Die Verlustfunktion kategorialer Kreuzentropie wurde verwendet, um die Deep-Learning-Modellfehler zu quantifizieren. Während des Trainings wurden diverse Augmentierungsverfahren verwendet, um Overfitting vorzubeugen. Es erfolgte eine Aufteilung des Gesamtdatensatzes in Training, Validierung und Test zu jeweils 70, 20 und 10 %. Das Modell wurde für insgesamt 25 Epochendurchläufe mit einer Batch-Size von 16 trainiert.

Ergebnisse Das Modell erreichte im Testdatensatz hinsichtlich der Klassifizierung in „normal“, „entzündlich“, und „maligne“ eine Gesamtgenauigkeit von 91 %. Die Sensitivität für entzündliche/maligne/normale Bildbefunde lag bei 85 %/91 %/100 %; die Spezifität lag bei 85 %/95 %/92 %.

Schlussfolgerung Das durch uns initiierte Deep-Learning-Modell ist ein erfolgversprechender Ansatz zur KI-gestützten Einordnung von Schleimhautveränderungen in der Cholangioskopie. Inwieweit die hier vorgestellten Ergebnisse in prospektiven Studien reproduziert werden können bleibt abzuwarten. Eine Erweiterung des Datensatzes ist notwendig um unser Deep-Learning-Modell zu optimieren.

Publication History

Article published online:
07 September 2021