Ein Deep-Learning-Ansatz zur automatisierten Detektion von pulmonaler Hypertension beim Neugeborenen anhand von 2D-Echokardiographie-Videos

Hintergrund Die Pulmonale Hypertonie (PH) trägt bei Neugeborenen und Säuglingen erheblich zur Morbidität und Mortalität bei. Eine frühzeitige Diagnosestellung ist wichtig für das weitere Management. In der Echokardiographie, dem primären diagnostischen Screening Tool, zeigt sich unter anderem eine Veränderung der ventrikulären Konfiguration und der septalen Bewegungsmuster. Die Detektion in einem automatisierten Deep-Learning-Ansatz könnte im klinischen Alltag bei dieser zeitaufwändigen Untersuchung unterstützen.

Fragestellung Entwicklung eines interpretierbaren, videobasierten Deep-Learning-Ansatz zur automatisierten computergestützten Diagnostik einer PH anhand von Echokardiographie-Videosequenzen.

Methoden Aus 194 Echokardiographien von Neugeborenen und Säuglingen wurde ein Datenset von n=9700 2D-Videosequenzen extrahiert. Jede Untersuchung enthielt die fünf Standardschnitte Vierkammerblick, parasternale lange Achse und drei parasternale kurze Achsen (Apikal, auf Semulinarklappenebene, auf Papillarmuskelebene). Jede Echokardiographie wurde von einem Kinderkardiologen visuell in keine, leichte und mittelschwere bis schwere PH eingeteilt. Wir verwendeten ein 3D Convolutional Neuronal Network für die binäre Vorhersage des Vorliegens einer PH (ja/nein) und für die Vorhersage des Schweregrads. Die Analyse erfolgte für jeden Standardschnitt sowie für die Kombination mehrerer Schnittebenen. Die Aggregation von Vorhersagen der verschiedenen Schnittebenen erfolgte mit Majority-voting. Es wurde eine 10-fache stratifizierte Kreuzvalidierung durchgeführt. Wir erstellten Saliency-MAPS für eine Visualisierung der Vorhersagen.

Ergebnisse Von den Untersuchungen wurde 65% als keine PH, 16% als milde PH und 19 % als mittelschwer bis schwere PH gewertet. In unserem Modell zeigte sich unter den einzelnen Schnittebenen für die parasternale kurze Achse auf Papillarmuskelebene die beste Performance zur binären Vorhersage einer PH (AUROC 0,95) sowie des Schweregrads der PH (AUROC 0,85). Die Kombination mehrerer Schnittebenen verbesserte die Vorhersage des PH Schweregrads gerinfügig (AUROC 0,86), nicht aber die binäre Vorhersage einer PH. Die Kombination von räumlicher und zeitlicher Information war dem rein räumlichen Ansatz klar überlegen. Die Saliency Maps zeigten eine Fokussierung des Modells auf klinisch relevante kardiale Strukturen.

Schlussfolgerung Basierend auf 2D Echokardiographie-Videos ermöglicht unser Deep-learning Model eine automatisierte und interpretierbare Detektion von PH-typischen echokardiographischen Veränderungen beim Neugeborenen und Säugling. Eine weitere Evaluation dieser neuen Methode anhand von verschiedenen diagnostischen Parametern und Modalitäten sowie anhand einem separaten Datensatz erfolgt aktuell.

Publikationsverlauf

Artikel online veröffentlicht:
06. Juni 2023