In der neuesten Ausgabe des Journals „Clinical Neuroradiology“ wurden die Forschungsergebnisse des mbits-Mitarbeiters Gregor Nageler veröffentlicht, der sich im Rahmen seiner Doktorarbeit bei uns mit der automatisierten Vorhersage des Erfolgs einer Thrombektomie beschäftigte. Unter der Betreuung unseres CEO Ingmar Gergel und CTO Markus Fangerau entstand in Zusammenarbeit mit der Neuroradiologie der Uniklinik Heidelberg das Paper: „Deep Learning-based Assessment of Internal Carotid Artery Anatomy to Predict Difficult Intracranial Access in Endovascular Recanalization of Acute Ischemic Stroke“.

Ein wichtiger Prädiktor für den neurologischen Outcome bei einem Schlaganfall ist die zeitliche Dauer der Thrombektomie. Ziel der Studie war es, anhand einer Deep Learning basierten Analyse der computertomographischen Angiographie (CTA) automatisch komplexe Fälle zu erkennen.

Zunächst wurde dafür ein neuronales Netzwerk trainiert, welches automatisch den Aortenbogen und die Halsschlagadern in CTAs segmentiert. Für das Training des Algorithmus wurden 121 Datensätze aufwändig manuell segmentiert. Der Dice Score, welcher das Maß an Überlappung zwischen den manuellen Segmentierungen und denen des Netzwerks angibt, lag bei 0.94. Anschließend konnte das Netzwerk verwendet werden, um 258 weitere CTA Aufnahmen automatisch zu segmentieren.

Die nun insgesamt 379 Gefäßsegmentierungen wurden in zwei Klassen eingeteilt, abhängig davon, ob in der Arteria Carotis Interna (ICA) ein spitzer Winkel (<90°) oder nur stumpfer Winkel (>90°) vorkommen. Diese Einteilung basiert auf einer kürzlich erschienenen Veröffentlichung [1], welche den Zusammenhang zwischen spitzen Winkeln in der Halsschlagader und einer längeren Dauer der Thrombektomie zeigt. Dieser Zusammenhang konnte auch in dem Datensatz dieser Studie durch einen Whitney-U-Test reproduziert werden. Während die Eingriffszeit in der >90° Gruppe bei 48 min betrug, lag sie bei der <90° Gruppe bereits bei 64 min (p=0.001).

Der binäre Datensatz wurde verwendet, um ein zweites Netzwerk zu entwickeln, welches anhand der Segmentierung erkennt, ob in dem Gefäß ein spitzer Winkel vorkommt oder nicht. Während 90° Winkel im zweidimensionalen auf einen Blick zu erkennen sind, ist die Suche nach einem solchen Winkel in einem dreidimensionalen Gefäßbaum zeitintensiv, weshalb eine automatische Klassifizierung an dieser Stelle vorteilhaft. Das Netzwerk konnte die spitzen Winkel mit einer Genauigkeit von 85 % erkennen.

Die in der Studie entwickelte Deep-Learning Methode kann basierend auf der CTA Aufnahme automatisch komplexe Thrombektomiefälle erkennen. Die Methode unterstützt die Ärzte dabei, Eingriffe entsprechend vorzubereiten und durchzuführen.

Die Ergebnisse der Studie wurden auch im Rahmen des Neurorad des DGNR präsentiert.

[1] Holswilder G, Stuart MP, Dompeling T, Kruyt ND, Goeman JJ, van der Lugt A, Schonewille WJ, Lycklama À Nijeholt GJ, Majoie CB, Yo LS, Meijer FJ, Marquering HA, Wermer MJ, van Walderveen MA; MR CLEAN Registry investigators. The prognostic value of extracranial vascular characteristics on procedural duration and revascularization success in endovascularly treated acute ischemic stroke patients. Eur Stroke J. 2022;7:48–56.