Die Forscher haben festgestellt, dass Deep-Learning-Algorithmen CT-Scans von Patienten mit idiopathischer Lungenfibrose (IPF) wirksam segmentieren können und somit Prognoseinformationen für Ärzte liefern können. Diese Daten könnten genutzt werden, um die Verfolgung und Behandlung von IPF-Patienten zu verbessern. Die Ergebnisse wurden vom Team um Dr. Munhunthan Thillai vom Royal Papworth Hospital in Cambridge, Großbritannien, veröffentlicht. Die Segmentierungsalgorithmen könnten in die klinische Praxis integriert werden, um Prognoseinformationen für Patienten mit dieser fortschreitenden Lungenerkrankung bereitzustellen und als zukünftige Endpunkte oder bildgebende Biomarker in klinischen Studien dienen.
IPF ist eine Erkrankung, die das Gewebe um die Lungenbläschen betrifft und sich entwickelt, wenn dieses Lungengewebe dick und steif wird, oft ohne klare Ursache. Dies kann im Laufe der Zeit zu Fibrose führen, was das Atmen zunehmend erschwert. Frühere Studien haben darauf hingewiesen, dass CT-Scans eine prognostische Rolle bei IPF auf der Grundlage von bildgebenden Biomarkern haben, die jedoch nicht regelmäßig in der klinischen Praxis oder in Studien verwendet werden.
Die Autoren haben die Verwendung von Biomarkern (Luftweg-, Lungen-, Gefäß- und Fibrosevolumina) zur Diagnose von IPF mithilfe einer Deep-Learning-basierten Segmentierung von CT-Scans getestet und sie auf Daten aus einer Gruppe von 446 noch nicht behandelten IPF-Patienten angewendet. Sie haben jede Beziehung zwischen den Biomarkern und Lungenfunktion, Krankheitsprogression und Mortalität bewertet. Die tiefgreifenden Algorithmen haben erfolgreich 97,8% der CT-Bilder segmentiert und eine Assoziation zwischen Lungen-, Gefäß- und Fibrosevolumina mit einer schlechteren Fünfjahresüberlebensrate festgestellt.
Die Ergebnisse könnten zu einer besseren Überwachung von IPF-Patienten führen, da CT-Scans zur Schulung und Entwicklung von Modellen verwendet werden können, um CT-Scans schnell zu segmentieren und Daten zu Fibrose-, Gefäß-, Luftweg- und Lungen-Volumina zu produzieren, die sowohl eine fortschreitende Erkrankung als auch die Mortalität vorhersagen können. Die vollständige Studie ist hier zu finden.