Artikel
Differenzierung zwischen Skleroderma und Nicht-Skleroderma Mustern in Kapillarmikroskopie: Kann uns künstliche Intelligenz helfen?
Suche in Medline nach
Autoren
Veröffentlicht: | 30. August 2023 |
---|
Gliederung
Text
Einleitung: Die Nagelfalzkapillarmikroskopie (NVC) ist eine wichtige diagnostische Methode in der Rheumatologie. Pathologische Veränderungen der Kapillaren gehören zu den Klassifikationskriterien für die systemische Sklerodermie (SSc) [1]. In der klinischen Routine wird ein einfacher „fast-track“ Algorithmus für die Differenzierung zwischen SSc- und Non-SSc-Mustern verwendet [2]. In unserer Studie haben wir ein Deep-learning Modell für die Differenzierung zwischen SSc- und Non-SSc-Mustern in der Kapillarmikroskopie entwickelt und geprüft, ob eine bessere Genauigkeit und Interrater-Reliabilität bei der Anwendung des Modells für die Klassifikation der Bildbefunde durch Ärzte zu erreichen ist.
Methoden: NVC wurde mit einem 5 MP Videokapillarmikroskop (Optilia, Sollentuna, Sweden) durchgeführt. Die Bilder wurden zwei Gruppen zugeordnet: Sklerodermie- und Nicht-Sklerodermie-Muster. Anschließend wurden Bilder einem Training- und einem Test-Set zugeordnet, letzteres für die Einschätzung der Modellleistung mit einem unabhängigen Datensatz. Das Modell haben wir mit Hilfe der „Keras Deep-learning Bibliotheken“ [3] basierend auf einem 2D-gefaltenen neuronalen Netzwerk mit 5-facher Cross-Validierung trainiert (Abbildung 1 [Abb. 1]). Des Weiteren haben wir eine Software entwickelt, um die Bilder aus dem Test-Set in zwei NVC-Muster durch drei unabhängige Ärzt*innen ohne und mit Unterstützung des entwickelten Deep-learning Modells im Sinne von einer „zweiten Meinung“ einzuteilen (Abbildung 2 [Abb. 2]). Die Genauigkeit wurde als Prozent der richtig klassifizierten Bilder dargestellt. Die Interrater-Reabilität wurde mittels Interklassen-Korrelation (ICC) eingeschätzt.
Ergebnisse: 1.176 NVC-Bilder von 80 Patienten wurden analysiert, mit jeweils 976 und 200 Bildern in Training- und Test-Set. Das trainierte Modell zeigte eine 89,44% Genauigkeit mit 95,08% Sensitivität (95% CI 92,77–96,82%), 83,81% Spezifität (95% CI 80,24–86,97%) und einer Area under the curve (AUC) von 0,9617 im Validation-Set, sowie 95% Genauigkeit, 98% Sensitivität (95% CI 92,96–99,76%), 92% Spezifität (95% CI 84,84–96,48%) und AUC von 0,9869 im Test-Set. Bei der Bewertung der NVC-Bilder durch die Ärzt*innen stieg die Genauigkeit nicht signifikant von 92,3% ohne, auf 94,7% mit Unterstützung des AI-Modells an (p=0,3357). Es konnte eine signifikante Besserung des ICC zwischen den Ärzt*innen von 0,761 (95% CI 0,687–0,824) ohne, auf 0,894 (95% CI 0,856–0,924) mithilfe des Modells erreicht werden.
Schlussfolgerung: Trotz einer relativ kleinen Zahl an NVC-Bildern kann unser Deep-learning Modell sehr gut zwischen Sklerodermie- und Nicht-Sklerodermie-Mustern unterscheiden. Die Klassifikation der NVC-Bilder durch Ärzt*innen mithilfe des Modells führt zu einer besseren Übereinstimmung ohne signifikanten Unterschied der Genauigkeit.
Literatur
- 1.
- van den Hoogen F, Khanna D, Fransen J, Johnson SR, Baron M, Tyndall A, Matucci-Cerinic M, Naden RP, Medsger TA Jr, Carreira PE, Riemekasten G, Clements PJ, Denton CP, Distler O, Allanore Y, Furst DE, Gabrielli A, Mayes MD, van Laar JM, Seibold JR, Czirjak L, Steen VD, Inanc M, Kowal-Bielecka O, Müller-Ladner U, Valentini G, Veale DJ, Vonk MC, Walker UA, Chung L, Collier DH, Csuka ME, Fessler BJ, Guiducci S, Herrick A, Hsu VM, Jimenez S, Kahaleh B, Merkel PA, Sierakowski S, Silver RM, Simms RW, Varga J, Pope JE. 2013 classification criteria for systemic sclerosis: an American College of Rheumatology/European League against Rheumatism collaborative initiative. Arthritis Rheum. 2013 Nov;65(11):2737-47. DOI: 10.1002/art.38098
- 2.
- Smith V, Vanhaecke A, Herrick AL, Distler O, Guerra MG, Denton CP, Deschepper E, Foeldvari I, Gutierrez M, Hachulla E, Ingegnoli F, Kubo S, Müller-Ladner U, Riccieri V, Sulli A, van Laar JM, Vonk MC, Walker UA, Cutolo M; EULAR Study Group on Microcirculation in Rheumatic Diseases. Fast track algorithm: How to differentiate a “scleroderma pattern" from a "non-scleroderma pattern”. Autoimmun Rev. 2019 Nov;18(11):102394. DOI: 10.1016/j.autrev.2019.102394
- 3.
- Gulli A, Pal S. Deep learning with Keras. Birmingham: Packt Publishing Ltd; 2017.