Neuronale Netze in der Cholangioskopie
Videoausschnitte mit Diagnosestellung (Karzinom und benigne Läsion), die mithilfe konvolutioneller neuronaler Netze (CNN) generiert wurde (Quelle: Unetiq GmbH)
Mit der Einführung der digitalen Single-Operator-Cholangioskopie wurde es erstmals möglich, visuelle Bildinformationen des Gallengangsystems in der Leber zu generieren. Dies ist besonders für die frühzeitige Detektion von neoplastischen Veränderungen (Karzinomen) von Bedeutung, da in frühen Stadien der Therapieerfolg wahrscheinlicher ist. Die visuelle Diagnosestellung ist auch für erfahrene Untersucher und Untersucherinnen erschwert: Die Sensitivität und Spezifität der visuellen Diagnostik bei verblindeter Bewertung ist gering. Während Methoden der Künstlichen Intelligenz (KI) in der Koloskopie zur Detektion und Charakterisierung weitläufig eingesetzt werden, gibt es für die Cholangioskopie noch keine vergleichbare Anwendung.
Im Rahmen des Projekts wird ein Video- und Bilddatensatz von über 100 Patientinnen und Patienten zum Anlernen eines tiefen neuronalen Netzes aufbereitet. Aus den Bild- und Metadaten wird algorithmisch eine Wahrscheinlichkeit für das Vorliegen von Malignität kontinuierlich während eines Videostreams generiert. Dafür werden neueste Deep-Learning-Architekturen des Typs konvolutioneller neuronaler Netze (CNN, convolutional neural networks) verwendet und weiterentwickelt. Zur Verbesserung der Klassifizierung werden die vom Modell gelernten Vektorrepräsentationen der Bilder im niedrig-dimensionalen Raum als Cluster visualisiert.
Der klinische Einsatz eines solchen Modells kann die cholangioskopische Untersuchung erheblich unterstützen, um eine schnelle und sichere Diagnose sicherzustellen. Mit der möglichen Entwicklung einer Benutzeroberfläche in Verbindung zum endoskopischen Endgerät können diese Algorithmen in den klinischen Alltag und Ablauf der Cholangioskopie integriert werden.