[embedyt] https://www.youtube.com/watch?v=Kh0JFdlHaXk[/embedyt]
Thorax
Quantitative Computertomographie zum besseren Verständnis von chronisch-obstruktiven Atemwegserkrankungen und fibrotischen interstitiellen Lungenerkrankungen. Der aktuelle Stand und Zukunftsperspektiven.
Castillo-Saldana, D., et al. (2020). „Using Quantitative Computed Tomgraphic Imaging to Understand Chronic Obstructive Pulmonary Disease and Fibrotic Interstitial Lung Disease: State of the Art and Future Directions.“ J Thorac Imaging 35(4): 246-254.
Stichworte: COPD, ILD, Quantitative CT
Forscher des St. Paul’s Hospital und der University of British Columbia berichten von interessanten Anwendungen von quantitativer CT (QCT) im Bereich der chronisch obstruktiven (COPD) und interstitiellen Lungenerkrankungen (ILD). Ryerson et al schlagen vor, dass QCT als Ergänzung zu typischen qualitativen Bewertungen von COPD und ILD angewendet werden können, um das Fortschreiten dieser beiden komplexen Krankheitsmuster zu diagnostizieren und zu überwachen. QCT dient bei COPD dazu, die Lokalisation von Emphysemanteilen genau zu erfassen, Verdickungen in den Atemwegen zu identifizieren und 3D-Rekonstruktionen des Bronchialbaums zu erstellen, die anhand des Zustands der Endbronchiolen eine frühzeitige Krankheitserkennung möglich machen. Wesentliche Einschränkungen bei der klinischen Anwendung von QCT bei COPD sind die Strahlenbelastung, Unterschiede zwischen CT-Scannern und Interindividuelle Variabilität sowie ein erheblicher Bedarf an Qualitätskontrolle durch manuelle Nachbearbeitung. QCT kann eine wichtige Rolle bei der Beurteilung des Fortschreitens der ILD spielen, indem die Dichte des Lungenparenchyms untersucht und anschließend in einem Histogramm dargestellt wird. Diese objektiven Daten könnten in Verbindung mit qualitativen Bewertungen genutzt werden, um Ärzten eine präzisere Methode zu bieten, das Fortschreiten der Erkrankung sowie das Therapieansprechen in einer hochmorbiden Patientenpopulation zu beobachten. Trotz dieser spannenden Entwicklungen sind bei diesen quantitativen Algorithmen jedoch noch erhebliche Verbesserungen erforderlich, bevor sie verlässlich im klinischen Alltag eingesetzt werden können.
COVID
Lungenembolie bei COVID-19: Venöse Thromboembolie oder arterielle Thrombose?
Cavagna, E., et al. (2020). “ Pulmonary Thromboembolism in COVID-19: Venous Thromboembolism or Arterial Thrombosis?“ Radiology: Cardiothoracic Imaging 2(4): e200289.
https://pubs.rsna.org/doi/10.1148/ryct.2020200289
Stichworte: COVID-19, Lungenembolie, Thromboembolie
Die italienischen Radiologen Cavagna et al. bieten einen Einblick in die Assoziation zwischen dem neuartigen Coronavirus und der Thromboembolie bei schwerkranken Patienten. Bei COVID-19-Patienten besteht eine höhere Rate von pulmonalen arteriellen Embolien (PE); dies ist besonders besorgniserregend, da COVID-19 Patienten sich ohnehin häufiger in kritischem Zustand befinden. In dieser retrospektiven Studie, wurden 109 Patienten mit COVID-19 eingeschlossen, die Symptome einer PE zeigten und eine CT-Angiographie der Pulmonalarterien (CTPA) erhalten hatten, um eine Lungenembolie auszuschließen. Den CT-Untersuchungen wurden mittels eines semiquantitativen Scores (0-5) bewertet, um die jeweilige Beteiligung der 5 Lungenlappen abzuschätzen. Bei Patienten mit höherem CT-Score und abnormalen Laborwerten wie LDH, CRP und D-Dimere wurden höhere Raten der Lungenthromboembolie festgestellt. Diese hyperkoagulierbaren Phänomene betrafen bevorzugt die segmentalen (90.2%) und subsegmentale Arterien (61%) des am stärksten von COVID betroffenen Lungenparenchyms. Die Autoren vermuten, dass diese keine Embolien, sondern eher sekundäre Thrombosen der Lungenarterien als Folge der lokalen Entzündungsreaktion und einer Hyperkoagulopathien sind. Obwohl die Studie nicht aussagekräftig genug ist um diese These zu validieren, stützen sich die Autoren auf Beweise aus anderen Studien, die diese radikale Behauptung zusätzlich rechtfertigen. Hoffentlich werden in zukünftigen Studien mehr Datenpunkte zur Verfügung stehen die ihre Hypothese validieren.
Radiological Society of North America Thorax CT Klassifikationssystem für COVID-19 Pneumonien: Interobserver Variabilität und Korrelation mit RT-PCR
Jaegere, T. M. H. d., et al. (2020). „Radiological Society of North America Chest CT Classification System for Reporting COVID-19 Pneumonia: Interobserver Variability and Correlation with RT-PCR.“Radiology: Cardiothoracic Imaging 2(3): e200213.
Stichwörter: COVID-19, RSNA-Klassifikation, CORADS
https://pubs.rsna.org/doi/10.1148/ryct.2020200213
Radiologen des Zuyderland Medical Center in den Niederlanden untersuchten Interobserver-Übereinstimmung unter Radiologen bei Anwendung des RSNA COVID-19 Thorax CT Klassifikationssystems und des COVID-19 Reporting and Data System (CO-RADS). Ergebnisse wurden dann mit den PCR-Ergebnissen der Patienten verglichen. In einer retrospektiven Analyse der Thorax CTs von 96 Patienten wendeten 2 Fachärzte und ein Assistenzarzt im 5. Jahr der Facharztausbildung das RSNA Thorax CT Klassifikationssystems und das CO-RADS Klassifikationssystem an, um die Interobserver Variabilität zu testen. Die Radiologen wurden beauftragt, CT-Befunde als „typisch“, „unbestimmt“, „atypisch“ oder „negativ“ für das Vorhandensein von COVID zu klassifizieren. Sie fanden eine substanzielle Interobserver-Übereinstimmung unter den Fachärzten und eine moderate Übereinstimmung zwischen den Befunden die von den Fachärzten und dem Assistenzarzt erstellt wurden. Die radiologische Beurteilung wurde dann mit den RT-PCR Testergebnissen der Patienten verglichen. Von den 45 Patienten mit positivem PCR-Ergebnis wurden anhand der CT-Befunde in 76.9-96.6% als „typisch“, 51.2-64.1% „unbestimmt“, 2.8-5.3% „atypisch und 20-25% „negativ“ kategorisiert. Eine niedrige Positivrate in der „atypischen“ Gruppe wird durch Befunde im Zusammenhang mit anderen Lungenerkrankungen erklärt. Die erstaunlich hohe Positivrate in der „negativ“ Gruppe ist besorgniserregend. Die Autoren geben an, dass es in dieser Gruppe Patienten geben könnte, die später noch radiologische Zeichen im Zusammenhang mit COVID-19-Infektion entwickeln werden, da sich Zeichen in der Bildgebung im Laufe der Zeit ändern können. Die Autoren nutzten auch das CO-RADS Klassifikationssystem und erreichten eine ähnliche Interobserver-Übereinstimmung mit nicht unbeachtlichen Positiven in der CO-RADS Gruppe. Diese Ergebnisse spiegeln wahrscheinlich die klinische Praxis wider, da symptomatische Patienten zu unterschiedlichen Zeitpunkten im Krankheitsprozess vorstellen, so dass CT eine begrenzte Rolle beim Screening des Coronavirus zu spielen scheint. Da schwere COVID-19-Infektionen mit einer signifikanten medizinischen Morbidität und Mortalität verbunden sind, spielt die CT nach wie vor eine wertvolle Rolle im Patientenmanagement.
Kardiale Bildgebung
Durchführbarkeit von kardiovaskulärer 4D-Flow-MRT während körperlicher Belastung bei gesunden Teilnehmern.
MacDonald, J.A., et al. (2020). “Feasibility of Cardiovascular Four-dimensional Flow MRI during Exercise in Healthy Participants.” Radiology: Cardiothoracic Imaging 2(3):e190033
Stichwörter: Herz-MRT, 4D-Flow
https://pubs.rsna.org/doi/10.1148/ryct.2020190033
Macdonald et al. untersuchen die Funktionsfähigkeit der 4D Flow-MRT unter freie Atmung während der körperlichen Belastung. In einer gesunden Kohorte von 10 Personen wurde ein Herz-MRT in Ruhe und unter körperlichem Stress durchgeführt, in dem ein standardisiertes Trainingsprotokoll in Rückenlage auf einem MRT-kompatiblen Stepper implementiert wurde, welches sich in der MRT-Röhre befand. Diese MRT-Studien wurden retrospektiv gefiltert, um Atembewegungsartefakte und Herzbewegung zu berücksichtigen. Diese Gruppe verwendete ein 4D Flow-Protokoll, um das Schlagvolumen (SV) und die ventrikuläre kinetische Energie (KE) in der Systole und Diastole unter Ruhe- und Stressbedingungen zu bewerten. Die Autoren fanden heraus, dass die Herzleistung während des Trainings im Vergleich zur Ruhebedingung wie voraussehbar zunahm. Interessanterweise fanden sie jedoch auch heraus, dass die rechtsventrikuläre kinetische Energie (KERV) im Vergleich zur Ruhebedingung signifikant erhöht war, während dies in Bezug auf die linksventrikuläre kinetische Energie (KELV) und das SV nicht der Fall war. Zuvor galt, dass das SV nicht durch körperliche Beanspruchung in Rückenlage beeinflusst wird. Während der Systole erwies sich KERV im Vergleich zu KELV als statistisch signifikant höher, während es keine Unterschiede während der Diastole gab. Da die KELV nicht signifikant von Belastung betroffen ist, hat die 4D Belastungs-MRT wahrscheinlich nur einen begrenzten Nutzen. Auf der anderen Seite kann sie jedoch ein wertvolles Instrument für die Bewertung der Erkrankungen des rechten Herzens werden, da die KERV von körperlicher Belastung betroffen ist. Zurzeit gibt es noch erhebliche Einschränkungen in der Anwendung, da die derzeitige Durchführung zusätzlich von schlechter Interobserver- und Intraobserver-Reproduzierbarkeit in Bezug auf ventrikuläres Masking und KE-Schätzung beeinträchtigt wird.
Machine Learning (Künstliche Intelligenz)
Nutzen von auf Machine Learning basierender Bestimmung der fraktionellen Flussreserve mittels CT Koronarangiographie bei Patienten mit akuten Thoraxschmerzen.
Schoepf, U.J., et al. (2020) „Value of Machine Learning-based Coronary CT Fractional Flow Reserve Applied to Triple-Rule-Out CT Angiography in Acute Chest Pain.“ Radiology: Cardiothoracic Imaging 2(3):e190137
Stichwörter: Machine Learning, Triple Rule Out (TRO), Fraktionelle Flussreserve (FFR), CT Koronarangiographie
https://pubs.rsna.org/doi/10.1148/ryct.2020190137
Radiologen der Medical University of South Carolina beschreiben eine Anwendung für Machine Learning bei der Messung der fraktionelle Flussreserve (FFR) in der Triple Rule Out Angiographie. In einer retrospektiven Studie an der 159 Patienten teilnahmen, überprüften Schoepf et al. 159 Triple-Rule-Out CT Angiographien (TRO) für Patienten mit geringer bis mittlerer Wahrscheinlichkeit einer Herzerkrankung. Die FFR wurde dann mit einem Deep-Learning-Algorithmus berechnet. FFR weist eine hohe diagnostische Genauigkeit bei der Bewertung erheblicher obstruktiver koronarer Herzerkrankung auf und wurde bereits im ambulanten Rahmen zur Beurteilung der koronaren Herzkrankheit (KHK) eingesetzt. Diese Gruppe von Ärzten versuchte, nicht kommerziell verfügbare FFR-Berechnungen vor Ort in der Notfallmedizin durchzuführen, um Patienten mit hämodynamisch signifikanten Stenosen zu identifizieren und definierten dafür koronare Interventionen oder größere unerwünschte kardiovaskuläre Ereignisse (major adverse cardiovascular events, MACE) als Endpunkte. Eine FFR <0.8 wurde als hämodynamisch signifikante Stenose gewertet. Von den Patienten, die TRO Angiographien erhielten, hatten 55% eine signifikante Stenose (>50%) und 5% der Probanden wiesen eine hochgradige Stenose auf (>70%). 52% der Studienteilnehmer zeigten kongruente Befunde in FFR und TRO; darunter zeigten 55% eine signifikante koronare Stenose und eine FFR <0.8 und 45% zeigten FFR>0.8 und keine signifikante Stenose in der TRO. Während der Überprüfung der Krankenakte wurde festgestellt, dass koronare Revaskularisation oder ein signifikantes MACE-Ereignis bei 27.5% der Patienten auftrat und dass Patienten mit einem FFR <0.8 wesentlich häufiger einen dieser beiden Endpunkte erreichten als andere Patienten. Es wird auch darauf hingewiesen, dass 67% der Patienten die eine TRO erhielten einer zusätzlichen Folgeuntersuchung unterzogen wurden. Die Autoren schlagen vor, dass ein FFR <0.8 nützlich sein kann um Patienten zu identifizieren, bei denen ein erhöhtes Risiko besteht welches weitere Tests rechtfertigt. Es wird darauf hingewiesen, dass 4 Patienten mit FFR >0.8 einer koronaren Revaskularisation unterzogen wurden. Diese 4 Patienten hätten möglicherweise keine therapeutische Intervention erhalten, wenn FFR als Cutoff-Wert für die weitere medizinische Abklärung angewandt worden wäre. Es wird auch darauf hingewiesen, dass bei 54% der Patienten, die sowohl TRO als auch SPECT und 48% der Patienten, die TRO und Stress-Echokardiographie unterzogen wurden, widersprüchliche Befunde existierten; 3 dieser Patienten hatten eine FFR >0.8 und ein positives Ergebnis auf Stress SPECT/CT. Da dies eine retrospektive Studie war und keine Behandlungsentscheidungen auf der Basis des FFR <0.8 getroffen wurden, ist unklar, wie viele Patienten letztlich einen negativen Ausgang erlebt hätten. Es scheint, dass der Zusatz von FFR zum TRO bei Patienten mit niedrigem bis mittlerem Risiko einer Herzerkrankung eine wertvolle Ergänzung zur Beurteilung akuter Thoraxschmerzen sein kann.
CT-basierte Segmentierung des wahren und falschen Lumens in Typ-B-Aortendissektionen mittels Machine Learning.
Hahn, L.D., et al. „CT-based True- and False-Lumen Segmentation in Type B Aortic Dissection Using Machine Learning.“ Radiology: Cardiothoracic Imaging 2020; 2(3): e190179
Stichwörter: Aortendissektion, Machine Learning
https://pubs.rsna.org/doi/10.1148/ryct.2020190179
Stanford Forscher nutzten ein Convolutional Neuronal Network (CNN), um automatisch multiplanare Rekonstruktionen (MPRs) von unkomplizierten Typ-B-Aortendissektionen zu erzeugen und dann die wahren (TL) und falschen Lumen (FL) zu segmentieren. Hahn, L.D. et al. identifizierten retrospektiv 45 Patienten mit insgesamt 153 CT-Angiographien der Aorta (CTA). Die Patienten wurden nach dem Zufallsprinzip einem Trainingsset, einem Validierungsset und einem Testset zugewiesen, die dann in die schrittweise Segmentierung des CNN eingespeist wurden. Die Schritte für die Segmentierung beinhalteten die Identifizierung der in der axialen Ebene, die Bestimmung der Aorten-Mittellinie anhand der durchschnittlichen Dichte innerhalb der Aorta, die Erzeugung von MPRs auf einer zur Mittellinie orthogonalen Ebene, gefolgt von der Segmentierung des TL und FL der Aortendissektion und schließlich die Rückwandlung des MPR in die axiale Ebene. Die automatisierte Segmentierung wurde mit internen Kontrollen (dem Testset) und der manuellen Aortensegmentierung durch erfahrene kardiothorakale Radiologen verglichen. Die Endpunkte für diese Studie umfassten den Dice Similarity Coefficient (DSC) und den durchschnittlichen euklidischen Abstand zwischen den Rändern (Aorta) in mm. Die Forscher fanden heraus, dass kein signifikanter Unterschied zwischen dem Validierungsset und dem Testset bestand (durchschnittlicher DSC von 0.873-0.9), was auf eine sehr genaue Segmentierung hindeutet. Der durchschnittliche euklidische Abstand betrug <3mm. Die automatisierte Segmentierung erzeugte darüber hinaus Diagramme der Durchmesser für das TL, FL und der gesamten Aorta entlang ihrer gesamten Länge. Dies gibt Radiologen die Möglichkeit, Volumina auch quantitativ zu bewerten. Dies ist sehr relevant für die Patientenversorgung, da der Aortendurchmesser entscheidend bei der Triage von Aorteninterventionen ist. Da bei der Identifizierung von TL und FL (in 3.8% der Studien) Fehler auftreten können, ist weiterhin eine manuelle Segmentierung durch einen fachkundigen Anwender nötig. Daher sind aktuell die klinischen Anwendungen einer automatisierten Segmentiert noch etwas weit entfernt. Die Autoren räumen auch ein, dass durch den CNN möglicherweise statistische Verzerrungen eingebracht wurden, da die gleiche Studienpopulation sowohl im Test- als auch im Validierungsset verwendet wurde. Da die Größe der Datensätze und Patientenpopulation jedoch zunimmt, sollte CNN in der Lage sein, zwischen einer breiteren phänotypischen Vielfalt der Dissektion zu unterscheiden. Die meisten Künstliche Intelligenz (KI)-Algorithmen neigen auch dazu, in realen Szenarien aufgrund der Variabilität in CT-Scannern, Patientenhabitus / Anatomie und Bildrauschen zu schwächeln. Da KI sich kontinuierlich verbessert, wird diese zweifellos zu einem zuverlässigen Werkzeug in der Beobachtung von unkomplizierten Typ-B-Aortendissektionen für Ärzte werden.
References
