gms | German Medical Science

Einleitung und Fragestellung: Eine Möglichkeit zur Diagnose von Lungentumoren stellt die Entnahme einer Biopsie im Rahmen einer Bronchoskopie dar. Die genaue Lokalisation des Instruments bezüglich des vermuteten Tumorgewebes ist besonders bei peripheren Tumoren schwierig. Teilweise wird endobronchialer Ultraschall zur lokalen Navigation verwendet [1]. Die entsprechenden Sonden können aufgrund Ihres Durchmessers peripher und in Verbindung mit einem Instrument nur bedingt eingesetzt werden. Eine alternative, zeitlich und räumlich hochaufgelöste Bildgebung bietet die optische Kohärenztomographie (OCT), die sich mittels eines Lichtleiters beispielsweise gut in Nadeln integrieren lässt. Daraus motiviert sich die Frage, inwieweit sich OCT-Bilddaten aus Lungengewebe zur Identifizierung von Tumorarealen eignen [2], [3]. Vor allem die typischen Eigenschaften von OCT-Daten, beispielsweise Specklerauschen, erschweren die Verarbeitung. Wir haben untersucht, inwieweit die Klassifikation durch bidirektionale Long Short Term Memory (BLSTM) Netze, eine spezielle Architektur rekurrenter neuronaler Netze, möglich ist.

Material und Methoden: Zur Datenerfassung wurden eine Lichtleitfaser in eine Nadel eingebracht und A-Scans entlang der Nadelrichtung mit einem OCT-System (Callisto, Thorlabs) aufgenommen. An jeder Position im Gewebe wurden Datensätze von 100 zeitlich aufeinanderfolgenden A-Scans erfasst und durch Vorverarbeitung auf jeweils 200 Grauwerte in einem Abstand von 0 bis etwa 0.67 mm von der Nadelspitze beschnitten. Bei den Präparaten handelte es sich um frische, unfixierte Resektate menschlichen Lungengewebes aus Lobektomien. Durch Tasten wurden tumorverdächtige Areale identifiziert und verdächtige und nicht-verdächtige Gewebe jeweils zweimal punktiert. Je Punktion wurden bis zu vier OCT Datensätze erfasst. Die Einstichkanäle wurden durch Injektion von Tinte und eine Naht markiert und anschließend die Tumorentitäten durch eine pathologische Untersuchung bestimmt. Die Testdaten umfassten 75 Datensätze von Lungengewebe und 22 Datensätze von Tumorgewebe aus 15 verschiedenen Präparaten, darunter 13 Adenokarzinome und 2 Plattenepithelkarzinome. Die A-Scans wurden wie folgt jeweils 30 Mal zufällig in Trainings und Testmenge aufgeteilt: 1.) nach Patienten getrennt mit allen Testdaten, 2.) nach Patienten getrennt nur Adenokarzinome, 3.) nach Datensatz getrennt mit allen Testdaten und 4.) nach Datensatz getrennt nur Adenokarzinome. Für 1 und 2 wurden die Patienten und für 3 und 4 die einzelnen Aufnahmen im Verhältnis 6:2 in Trainings- und Testdaten aufgeteilt. Auf Basis der Trainingsdaten wurden LSTM Netze trainiert und anschließend auf die Testdaten angewandt.

Ergebnisse: Die Klassifikationsergebnisse sind nachfolgend für die vier Fälle durch Angabe von mittlerer Klassifikationsrate und Varianz über die jeweils 30 Tests zusammengefasst. Für Fall 1 betrug sie 67,5% (1.4%) bzw. 63,5% (2%); für Fall 2 betrug sie 69,1% (1,7%) bzw. 63,9% (4,4%); für Fall 3 betrug sie 70,6% (0.74%) und 70,9% (1,1%); und für Fall 4 betrug sie 72% (0.8%)und 76% (1.72%); jeweils für Trainings- und Testmenge.

Diskussion: Die Ergebnisse deuten darauf hin, dass OCT Informationen zur Unterscheidung von Normal- und Tumorgewebe liefern kann. Die erreichten Klassifikationsraten sind für eine Diagnose alleine auf Basis der OCT-Daten wesentlich zu niedrig, besonders wenn kein Vorwissen zur Tumorentität bekannt ist. Beim Platzieren eines Instruments zur Entnahme einer Biopsie könnten OCT-Bilder jedoch Hinweise darauf liefern, ob das Tumorareal erreicht wurde, beziehungsweise in welchem Bereich Tumorgewebe vom Instrument passiert wurde.