gms | German Medical Science

Einleitung: Die Riesenzellarteriitis (RZA) ist die häufigste Form der Vaskulitis bei Erwachsenen. Um dramatische Komplikationen der Erkrankung (z.B. Visusverlust, Schlaganfälle) zu verhindern, bedarf es einer frühestmöglichen Diagnosestellung. Heutzutage erfolgt diese nach EULAR Empfehlungen in erster Linie mittels Gefäßsonographie. Die diesbezügliche Expertise besteht allerdings häufig nur an größeren Zentren. Die Entwicklung einer auf künstlicher Intelligenz (KI) basierenden Assistenz zur Klassifizierung von Ultraschallbildern könnte zur Verbesserung der flächendeckenden Versorgungsqualität in der Ultraschalldiagnostik hilfreich sein. Systeme mit künstlicher Intelligenz basieren typischerweise auf neuronalen Netzwerken, welche anwendungsorientiert trainiert werden (z.B. in der Bilderklassifikation über das Training mit großen, meist vorklassifizierten Bilddatenmengen) [1]. Vor dem Entwicklungsbeginn ist die Entscheidung für eine neuronale Netzwerkarchitektur aus einer Vielzahl verfügbarer Optionen erforderlich, die sich in verschiedenen Charakteristika unterscheiden (z.B. Ergebnisqualität, Rechenleistungsbedarf etc.). Von zentraler Bedeutung ist dabei, dass viele neuronalen Netzwerke limitiert sind in der maximalen Bildgröße und -auflösung bis zu der Bilder verarbeitet werden können [1]. Zur Entwicklung einer KI, welche die bestmögliche Klassifikationsqualität erreicht aber gleichzeitig im Sinne der Ressourceneffizienz nur die kleinste notwendige Bildgröße und -auflösung verarbeiten können muss, ist die Klärung der Forschungsfrage, der sich dieses Projekt widmet, essentiell: Was ist die niedrigst-mögliche Ultraschallbildauflösung, bei der sich Ultraschallaufnahmen der häufig betroffenen Arterien durch Fachexpert:innen noch zuverlässig hinsichtlich des Vorliegens einer RZA klassifizieren lassen?

Methoden: In dieser Studie erhielten 42 renommierte, internationale Fachexpert:innen der OMERACT Subgruppe zum Ultraschall bei Riesenzellarteriitis, alle mit langjähriger RZA-Sonographie-Erfahrung, verblindet 250 Ultraschallbilder vorgelegt. Diese stammten von RZA-Patient:innen sowie Gesunden. Die Grundauswahl der Gefäßultraschallbilder beinhaltete jeweils 10 B-Bild-Aufnahmen der Arteria temporalis communis, des Ramus frontalis, des Ramus parietalis und der Arteria axillaris (alle im Querschnitt), sowie der Arteria axillaris im Längsschnitt, die (in zufälliger Reihenfolge) allesamt (Abbildung 1 [Abb. 1]) jeweils in fünf verschiedenen Auflösungsstufen (32x32, 64x64, 128x128, 224x224 und 512x512 Pixel) gezeigt wurden. Die Durchführung der Befragung und Klassifikation erfolgte über die webbasierte Plattform REDCap (Version 13.2.5, Vanderbilt University). Es bestanden die drei Antwortkategorien „RZA-Patient“, „Gesundes Individuum“ und „Aussagekräftige Klassifikation nicht möglich“. Die Datenauswertung der Interims-Analyse erfolgte via Microsoft Excel (Version 2301) und SPSS Statistics (Version 23.0.0.0; IBM Corp.).

Ergebnisse: Die Erfahrung in der RZA-Sonographie der bisherigen 30 Studienteilnehmer:innen betrug 10,5±6,4 Jahre (Mittelwert±Standardabweichung) bei einer Beurteilung von gegenwärtig durchschnittlich 56 (±88,9) Gefäßultraschallbildern mit V.a. RZA pro Woche. Die Zwischenanalyse der Bildklassifikation der Arteria temporalis (Querschnitt) ergab eine mit steigender Bildauflösung abnehmende Rate an nicht klassifizierbaren Bildern (durchschnittlich 57% bei 128x128 Pixeln und 33% bei 224x224 Pixeln; siehe Abbildung 2 [Abb. 2]), sowie zunehmende Rate an korrekten Bildklassifikationen (beispielhaft 53% bei 224x224 Pixeln; siehe Abbildung 3 [Abb. 3]). Die durchschnittliche Inter-rater-Übereinstimmung betrug in der höchsten Auflösungsstufe (512x512 Pixel) 79%. Die Analyse der Klassifikationsdaten der weiteren betrachteten Gefäße steht noch aus.

Schlussfolgerung: Mit zunehmender Bildauflösung stieg das Vermögen menschlicher Ultraschall-Experten bei RZA, Gefäßultraschallbilder der Arteria temporalis (Querschnitt) sicher und korrekt auf das (Nicht-)Vorliegen einer RZA zu klassifizieren. Ab einer Bildauflösung von 224x224 Pixeln erfolgte dies in mehr als 50% der Fälle korrekt. Die vollständige Studienauswertung wird für Sommer 2023 erwartet.