Die Single-Operator Cholangioskopie ermöglicht die endoskopisch-bildliche Darstellungen des Gallengangsystems in der Leber, was vor allem für die frühzeitige Erkennung von Karzinomen wichtig ist. Trotzdem bleibt die visuelle Unterscheidung zwischen bösartigen und entzündlichen Veränderungen auch für erfahrene Ärzte eine Herausforderung und ist als „diagnostischer Test“ unzuverlässig.
Das Projekt zielte darauf ab, mithilfe eines Deep-Learning-Algorithmus die Diagnose von bösartigen Veränderungen im Gallengang und die Differenzierung von entzündlichen Veränderungen zu verbessern. Dafür wurde ein tiefes neuronales Netz mit Bild- und Videodaten von über 100 Patienten trainiert, um während der Cholangioskopie eine kontinuierliche Einschätzung der Wahrscheinlichkeit für ein Malignom bzw. entzündliche Veränderungen zu ermöglichen.
Zur Implementierung wurden neueste Deep-Learning-Technologien verwendet, insbesondere konvolutionelle neuronale Netze (R-CNN). Die aus den Bildern und Videos gewonnenen Daten wurden im niedrig-dimensionalen Raum als Cluster visualisiert, um die Klassifizierung zu verbessern. Zusätzlich wurden klinische Metadaten integriert, um die Performance des CNN-Algorithmus durch zusätzliche Informationen zu verbessern. Zur Erkennung maligner Veränderungen konnte eine Sensitivität von 0,874 mit einer Spezifität von 0,830 bei einer Accuracy von 0,865 erreicht werden.
Als Weiterführend ist die Entwicklung einer Benutzeroberfläche geplant, die eine Integration der Algorithmen in den klinischen Ablauf ermöglicht.
Durch den Einsatz des Modells erwarten wir, dass die cholangioskopische Untersuchung unterstützt wird, indem schnelle und sichere Diagnosen ermöglicht werden. Diese Unterstützung nimmt so direkten Einfluss auf das klinische Management für den individuellen Patienten. Die Integration in den klinischen Alltag kann durch eine spezielle Benutzeroberfläche, die an das Endoskop angebunden ist, in der Zukunft realisiert werden.
