Vollautomatisierte CT-Analyse zur präinterventionellen Planung vor TAVI mittels deep learning Algorithmus: Vergleich zum Goldstandard

Mani Arsalan (Frankfurt am Main)1, H. Schneider (Frankfurt am Main)1, K. D. Piayda (Gießen)2, P. C. Seppelt (Frankfurt am Main)3, A. Van Linden (Frankfurt am Main)1, S. Fichtlscherer (Frankfurt am Main)3, F. Hecker (Frankfurt am Main)1, D. Leistner (Frankfurt am Main)3, T. Walther (Frankfurt am Main)1

1Universitätsklinik Frankfurt Herz- und Gefäßchirurgie Frankfurt am Main, Deutschland; 2Universitätsklinikum Gießen und Marburg GmbH Medizinische Klinik I - Kardiologie und Angiologie Gießen, Deutschland; 3Universitätsklinikum Frankfurt Med. Klinik III - Kardiologie, Angiologie Frankfurt am Main, Deutschland

 

Einleitung

Die präprozedurale kardiale Computertomographie und deren assistierte Auswertung mittels spezieller Softwareprogramme ist vor transkatheter Aortenklappenimplantation (TAVI) essentiell, u.a. zur Beurteilung des Zugangsweges sowie zur Auswahl von Größe und Art der zu implantierenden Prothese. Wir evaluierten eine vollautomatisierte CT Analyse die auf einem deep learning Algorithmus und cloud Technologie basiert im Vergleich zum aktuellen Goldstandard.

 

Methoden

Die CT Bilddatensätze von 48 Patienten mit hochgradiger, symptomatischer Aortenklappenstenose, die eine TAVI erhielten, wurden einerseits konventionell mittels 3mensio Software (Pie Medical Imaging BV, Niederlande) und andererseits vollautomatisch durch die Laralab Plattform (AI, Laralab GmbH, München) ausgewertet. In der aktuellen beta-Version der Laralab Plattform können der Annulusdiameter, -fläche, -perimeter, sowie die Abstände zu den beiden Koronarabgängen berechnet werden, sodass sich der Vergleich zwischen den beiden Messmethoden auf diese Parameter beschränkt. Die manuelle Auswertung mittels 3mensio Software erfolgte durch erfahrene Anwender, die bereits jeweils mehr als 200 Analysen selbständig durchgeführt haben.

Neben der standardisierten statistischen Auswertung wurden Intraklass-Korrelationskoeffizient (ICC) und Bland-Altman Diagramme mittels SPSS Statistics 21 (IBM) erstellt.

 

Ergebnisse

Die Patienten waren im Durchschnitt 81 Jahre alt, 42% waren weiblich. Aus der Analyse des CT-Datensatzes ergab sich ein durchschnittlicher Annulusdiameter von 24,1±2,4mm (konventionell = konv) vs. 23,7±2,3mm (deep learning = DL). Der Mittelwert der Differenz betrug 0,22±0,98 (Bland-Altmann-Diagramm, Bild 1). Der ICC war 0,964 (0,897; 0,984) und zeigt somit eine exzellente Korrelation zwischen den Werten. Der durchschnittliche Annulusperimeter wurde mit 76,87±7,0mm (konv) vs. 74,6±7,3mm (DL) ermittelt. Auch hier zeigte sich eine exzellente Korrelation der Werte [Mittelwert der Differenz 2,32±2,49; ICC: 0,943 (0,672; 0,980)]

Der Abstand zur linken Koronararterie betrug 14,2±3,0mm (konv) vs. 13,5±2,6mm (DL). Es zeigte sich eine gute Korrelation zwischen den Messwerten beider Methoden [Mittelwert der Differenz 0,67±1,69; ICC 0,886 (0,779; 0,938)] Der Abstand zur rechten Koronararterie betrug 17,5±2,6mm (konv) vs. 16,8±2,4mm (DL). Auch hier konnte eine gute Korrelation erreicht werden [Mittelwert der Differenz 0,74±3,49; ICC 0,892 (0,754; 0,947)]

 

Diskussion und Schlussfolgerung

Die vollautomatisierte CT Auswertung mittels deep learning Algorithmus zeigt vor TAVI eine exzellente Übereinstimmung hinsichtlich der Bestimmung des Annulusdiameters und eine gute Übereinstimmung bei der Ermittlung der Koronarabständen. Deep learning basierte Auswertungen werden sich zu einer standardisierten, schnellen und untersucherunabhängigen Alternative zum konventionellen Auswertungsverfahren entwickeln.

 

Bild 1: Bland-Altman Diagramm für den durchschnittlichen Aortenannulusdiameter

 

Diese Seite teilen