Verbundprojekt: Deep Learning-gestützte Früherkennung von Veränderungen in Thorax-CT-Aufnahmen (SPIRABENE) - Teilvorhaben: Trainingsdaten und klinische Evaluierung

Abstract

Die Thorax-Bildgebung mit Hilfe der CT ist eine der häufigsten radiologischen Untersuchungen in Deutschland und weltweit. Insgesamt wurden 2009 ca. 800.000 Untersuchungen jährlich in Deutschland durchgeführt (Arztreport der BARMER 2011; jüngere Erhebungen sind nicht be-kannt). Gemäß dem Bundesamt für Strahlenschutz (BfS) nimmt die Anzahl der CT-Untersuchun-gen in Deutschland schnell zu. Im Zeitraum von 2007 bis 2016 betrug der Zuwachs 45%, das sind Raten von etwa 5% pro Jahr. Damit schätzen wir die Gesamtzahl der Thorax-CT-Aufnahmen, die 2020 in Deutschland angefertigt werden, auf ca. 1,3 Millionen. Die Thorax-CT ist vor allem bei der Diagnose und Therapieüberwachung von Bronchialkarzinomen und Tumor-Metastasen etabliert. Zudem hat die Coronavirus-Pandemie gezeigt, dass die Thorax-CT-Bildgebung auch bei COVID-19-Patienten eine zentrale Bedeutung für die Diagnose und Therapieüberwachung hat. Mit CT-Verlaufskontrollen können Progression von Lungenerkrankungen, die das Lungenparenchym verletzen oder verändern, mit Hilfe von objektivierbaren Parametern überwacht und auch bereits leichte Veränderungen früh erkannt werden. Letzten Endes bieten Verlaufskontrollen die Mög-lichkeit, auch kleinste Therapieeffekte und Nebenwirkungen zu objektivieren und damit eine frühe Optimierung der Therapie vorzunehmen. Im klinischen Alltag wird nur ein kleiner Teil des Potentials ausgeschöpft, da keine routinetauglichen Tools und Services zur genauen, umfassen-den Erfassung und Dokumentation aller krankheitsrelevanten Parameter und quantitativen Mar-ker existieren. Die Aufgabenstellung unseres F&E-Vorhabens, das von den Kooperationspartnern jung diagnostics GmbH (JDX), Fraunhofer MEVIS (FME) und Universitätsmedizin Mainz (UMM) durchgeführt wurde, bestand darin, die Entwicklung einer vollautomatisch arbeitenden Bildver-arbeitungstechnologie zur Erkennung kleinster anatomischer und pathologischer Veränderungen des Lungenparenchyms auf Thorax-CT-Aufnahmen voranzutreiben, die den Anforderungen in der Patientenversorgung vollumfänglich entspricht. Es sollten vorhandene Verfahren zur Detektion und Quantifizierung von Pathologien zusammengeführt, automatisiert und weiterentwickelt wer-den. Die Aufgabenstellung des Teilvorhabens der Universitätsmedizin Mainz (UMM) umfasste ins-besondere die Annotation umfangreicher CT-Thorax-Datensätze als zentrale Grundlage für die Entwicklung und Validierung der automatisierten Erkennungsverfahren. Dabei lag der Fokus auf einer hochsensitiven Markierung auch kleinster Lungenherde, um die Modellentwicklung für den potenziellen späteren Einsatz im Rahmen eines Lungenkrebsscreenings zu ermöglichen. Die UMM stellte damit die klinische Expertise und qualitativ hochwertige, sensitivitätsorientierte Ground-Truth-Daten bereit, die essenziell für die algorithmische Weiterentwicklung sowie für die spätere klinische Anwendbarkeit der Technologie waren.