Artikel
Neuronale Netze ermöglichen die Klassifizierung rheumatischer Erkrankung anhand der Knochenform
Suche in Medline nach
Autoren
-
Arnd Kleyer
- Medizinische Klinik 3, Rheumatologie und Immunologie, Universitätsklinikum Erlangen, Erlangen; Deutsches Zentrum Immuntherapie, Universitätsklinikum Erlangen, Erlangen
-
Lukas Folle
- Medizinische Klinik 3, Rheumatologie und Immunologie, Universitätsklinikum Erlangen, Erlangen; Pattern Recognition Lab, Department of Computer Science, Friedrich-Alexander-Universität Erlangen-Nürnberg, Erlangen; Deutsches Zentrum Immuntherapie, Universitätsklinikum Erlangen, Erlangen
-
David Simon
- Medizinische Klinik 3, Rheumatologie und Immunologie, Universitätsklinikum Erlangen, Erlangen; Deutsches Zentrum Immuntherapie, Universitätsklinikum Erlangen, Erlangen
-
Anna-Maria Liphardt
- Medizinische Klinik 3, Rheumatologie und Immunologie, Universitätsklinikum Erlangen, Erlangen; Deutsches Zentrum Immuntherapie, Universitätsklinikum Erlangen, Erlangen
-
Gerhard Krönke
- Medizinische Klinik 3, Rheumatologie und Immunologie, Universitätsklinikum Erlangen, Erlangen; Deutsches Zentrum Immuntherapie, Universitätsklinikum Erlangen, Erlangen
-
Georg Schett
- Medizinische Klinik 3, Rheumatologie und Immunologie, Universitätsklinikum Erlangen, Erlangen; Deutsches Zentrum Immuntherapie, Universitätsklinikum Erlangen, Erlangen
-
Andreas Maier
- Pattern Recognition Lab, Department of Computer Science, Friedrich-Alexander-Universität Erlangen-Nürnberg, Erlangen
| Veröffentlicht: | 14. September 2021 |
|---|
Gliederung
Text
Einleitung: Eine zuverlässige Klassifizierung und Diagnose einer entzündlichen Arthritis (RMD) wie rheumatoide Arthritis (RA) oder Psoriasis-Arthritis (PsA) ist entscheidend für eine erfolgreiche Behandlung. Erosionen, Osteophyten oder Enthesiophyten an Gelenkknochen können Folge einer Entzündung bei o.g. Erkrankungen sein und führen zu einer Veränderung der Knochenform. Diese kann basierend auf radiologischer Schnittbildgebung (z.B. Computertomographie) durch Segmentierung der betroffenen Knochen als 3D Modell dargestellt werden. Ziel der Arbeit ist zu untersuchen ob neuronale Netzwerke allein auf Basis der Knochenform Erkrankungen wie RA oder PsA sicher differenzieren und damit klassifizieren lassen
Methoden: Es wurden hochaufgelöste CT Bilder (HR-pQCT, high resolution peripheral quantitative computed tomography) von MCP Gelenken von Patienten mit klassifizierten Erkrankungen ACPA pos. RA (ACR 2010), CASPAR für PsA und gesunde Probanden (HC) verwendet. Klinische und demographische Daten wurden erhoben. Alle Patienten wurden von einem Rheumatologen (AK/GS/DS) untersucht Alle Patienten und Probanden gaben ihr Einverständnis (Ethikvotum, 324_16 B + BFS für Gesunde) zur Auswertung der Bilder. Die Zeit von der Diagnose bis zur HR-pQCT-Bildgebung wurde notiert. Ein neuronales Netz basierend auf dem Supervised Autoencoder Netz [1] wurde im Rahmen einer 5-fold Kreuzvalidierung zur Klassifizierungen von RA, PsA und HC auf Segmentierungsmasken des zweiten MCPs trainiert. Zusätzlich wurde die Methode Guided Backpropagation zur Analyse von Strukturen mit gr0ßer Relevant für das Netzwerk herangezogen [2].
Ergebnisse: Insgesamt waren nach Anwendung der Ausschlusskriterien 851 volumetrische HR-pQCT-Scans von 553 Patienten verfügbar. Nach dem Trainieren konnte beim Validieren der Netze ein Area under Receiver Operator Curve (AUROC) von 75,35% für die Differentialdiagnose der Erkrankungen erzielt werden. Die Analyse der Regionen, welche die Entscheidung der Netzes am stärksten beeinflussen, sind in Abbildung 1 [Abb. 1] farblich dargestellt.
Schlussfolgerung: Erste vielversprechende Ergebnisse für die Differentialdiagnostik von ausgewählten rheumatischen Erkrankung auf Basis der Knochenform, welche die Gesamtheit der möglichen pathologischen Veränderungen darstellt, konnten dargestellt werden. In den nächsten Schritten soll herausgearbeitet werden, ob die Netze eine seronegative RA als RA erkennen.
Disclosures: Bezüglich der vorliegenden Arbeit geben die Autoren an, dass kein conflict of interest vorliegt.
Literatur
- 1.
- Le L, Patterson A, White M. Supervised autoencoders: Improving generalization performance with unsupervised regularizers. In: Bengio S, Wallach H, Larochelle H, Grauman K, Cesa-Bianchi N, Garnett R, editors. Advances in Neural Information Processing Systems 31. 2018. Available from: https://papers.nips.cc/paper/2018
- 2.
- Springenberg JT, Dosovitskiy A, Brox T, Riedmiller M. Striving for simplicity: The all convolutional net. In: 3rd International Conference on Learning Representations, ICLR 2015 - Workshop Track Proceedings. International Conference on Learning Representations (ICLR); 2015.
