Monthly Archives: Oktober 2024

Die chronisch obstruktive Lungenerkrankung (COPD) ist weltweit die dritthäufigste Todesursache. Es ist allgemein anerkannt, dass die CT-Bildgebung dabei hilft, die Krankheit zu quantifizieren. Bislang galt der Lungenfunktionstest als diagnostischer Goldstandard. In jüngster Zeit zeigt die AI ihr volles Potenzial, um die Diagnose und Visualisierung der grundlegenden COPD-Pathologien in der Schnittbildgebung umfassend zu unterstützen.

Mit grosser Freude präsentieren wir Ihnen Corelines aview COPD, einen AI-Assistenten zur detaillierten Darstellung von COPD in CT-Studien der Lunge.

Warum aview COPD wichtig ist und wie es arbeitet

Der AI-Assistent klassifiziert und analysiert quantitativ zwei COPD-Phänotypen, nämlich den Atemwegstyp und den Emphysemtyp. Diese automatische Segmentierungssoftware ermöglicht die schnelle Analyse und Visualisierung der Lunge, der Lungenlappen sowie der Atemwege und Blutgefäße. Die Ergebnisse werden durch 2D- und 3D-Bilder, intuitive Diagramme und detaillierte Grafiken dargestellt. Ein wichtiges Feature ist die Verlaufskontrolle der Krankheit im CT-Follow-up. Daher kann aview COPD als Biomarker für die Diagnose und Lungenfunktion dienen. Dieser AI-Assistent kann sowohl für einzelne Patienten als auch in großen Abteilungen für Pulmonologie eingesetzt werden. Dieser AI-Assistent kann sowohl für einzelne Patienten als auch in großen pulmologischen Abteilungen eingesetzt werden.

Wer profitiert

Patienten, Ärzte und Radiologen profitieren von der klaren Beschreibung der wichtigsten COPD-Muster und der Verlaufskontrolle der Krankheit. Insbesondere die 2D- und 3D-Visualisierung der Lunge, der Lungenlappen, der Atemwege und der Blutgefäße ist eine willkommene Hilfe für die interdisziplinäre und Patientenkommunikation.

Unsere eigene Erfahrung bei Radailogy

Coreline gibt die Analyseübereinstimmung des AI-Assistenten für Emphysem, Atemwege und Air trapping mit 99 %, 96 % bzw. 99 % an. aview COPD bietet eine Vielzahl von MPR-Bildern, Diagrammen und Grafiken, für die Darstellung der pulmonalen Anatomie und Krankheit sowie des Verteilungsmuster der COPD. Interessant ist die Analyse und Darstellung von Emphysemclustern mithilfe des D-Slope (Steigungswert) durch Anwendung einer dreidimensionalen, größenbasierten Emphysemclustertechnik. Zur Berechnung des D-Slope wird der Durchmesser des Emphysemclusters gegen die kumulative Anzahl der Läsionen auf einer Log-Log-Skala aufgetragen. Die Steigung (D-Slope) dieser linearen Beziehungen wird berechnet, wobei eine steilere Steigung (Anstieg des absoluten D-Werts) eine geringere Emphysemgröße anzeigt. Die Segmentierung der Atemwege und Lungengefäße, die Morphologie und Pathologie der Atemwegswände und deren Durchmesser werden anhand von 3D-Bildern und detaillierten Tabellen dargestellt. Die Analyse der Interlobia ist aus unserer Sicht nur bedingt hilfreich. Insgesamt verbessern die visualisierten Inhalte das Verständnis der Lungenmorphologie und -pathologie. Wir sind der Ansicht, dass aview COPD die Workload der Radiologen verringern und gleichzeitig die professionelle Effizienz steigern kann.

Wir haben aview COPD außerdem zusammen mit aview LCS evaluiert, welches zur Erkennung und Quantifizierung von Lungenrundherden in CT-Studien entwickelt wurde. Erfahren Sie mehr in unserem KI-Assistentenmenü!

Die wissenschaftliche Evidenz

Hwang HJ, Lee SM, Seo JB, Lee JS, Kim N, Lee SW, Oh YM. New Method for Combined Quantitative Assessment of Air-Trapping and Emphysema on Chest Computed Tomography in Chronic Obstructive Pulmonary Disease: Comparison with Parametric Response Mapping. Korean J Radiol. 2021 Oct;22(10):1719-1729.

Hwang HJ, Seo JB, Lee SM, Kim N, Yi J, Lee JS, Lee SW, Oh YM, Lee SD. Visual and Quantitative Assessments of Regional Xenon-Ventilation Using Dual-Energy CT in Asthma-Chronic Obstructive Pulmonary Disease Overlap Syndrome: A Comparison with Chronic Obstructive Pulmonary Disease. Korean J Radiol. 2020 Sep;21(9):1104-1113.

Daten zum Upload auf Radailogy

Native Low-dose-CT-Studien des Thorax jeden CT- Geräteherstellers, axiale Reformationen, Schichtdicke und Rekonstruktionsintervall jeweils 1,0 mm, Lungen-Rekonstruktionskernel

Gerade weil Lungenrundherde allein in Europa bei mehr als zwei Millionen Menschen pro Jahr auftreten und die Sterberate durch Lungenkrebs weltweit bei etwa zwei Millionen pro Jahr liegt, erfordert die Befundung mikroskopisch kleiner Läsionen eine Vielzahl von präzisen Informationen, darunter die Anzahl, Größe und den Status der Rundherde. In diesem Zusammenhang liegt die Stärke von AI-Assistenten darin, die Workload der Radiologen zu verringern und hochpräzise Befunde zu ermöglichen. Insbesondere die Bereitstellung qualitativ hochwertiger Follow up-Befunde zeigt das Potenzial von AI-Assistenten.

Mit grosser Freude präsentieren wir Ihnen Corelines aview LCS, einen AI-Assistenten für die Erkennung von Lungenrundherden in CT-Untersuchungen.

Warum aview LCS wichtig ist und wie es arbeitet

Der AI-Assistent erkennt und diagnostiziert Lungenrundherde in CT-Untersuchungen der Lungen. Die Segmentierung der Läsionen ermöglicht die Größen- und Volumeninformationen in 2D- und 3D-Darstellung. Die Rundherde werden automatisch in solide, semisolide und nicht solide gewertet. Eine wichtige Funktion ist der automatische Vergleich im CT-Follow-up. aview LCS berichtet gemäß den Richtlinien des Lung CT Screening Reporting and Data System (Lung-RADS Version 1.1), wie vom American College of Radiology empfohlen. Die Ergebnisse werden tabellarisch sowie mit 2D- und 3D-Bildern dargestellt. Jeder einzelne Rundherd wird mit seiner genauen Lage, seinem Durchmesser, seinem Volumen und seiner Morphologie beschrieben. Die klaren Berichte in Wort und Bild sind eine willkommene Unterstützung für den Wissenstransfer von Radiologen zu Patienten und Klinikern. Wird aview LCS für das allgemeine Lungenkrebs-Screening verwendet, ist gemäß der Referenz in unserem Abschnitt „Die wissenschaftlichen Beweise“ eine Arbeitserleichterung zwischen 77,4 % und 86,7 % zu erwarten. Dieser AI-Assistent kann sowohl für einzelne Patienten als auch in großen onkologischen Abteilungen eingesetzt werden.

Wer profitiert

Patienten, Kliniker und Radiologen profitieren von der zuverlässigen Erkennung von Lungenrundherden mit übersichtlichen Befunden. Insbesondere die 2D- und 3D-Visualisierung der Lunge und der Rundherde ist eine willkommene Hilfe für die interdisziplinäre und Patientenkommunikation.

Unsere eigene Erfahrung bei Radailogy

Coreline gibt die Leistungsdaten wie folgt an: Sensitivität 97%, Spezifität 76%, Genauigkeit 91%, ROC AUC .76. Der KA-Assistent weist im eigenen Patientengut bei Rundherden größer als 10 mm hohe Werte für PPV, NPV und Sensitivität von jeweils über 92 % auf. Die Läsionen werden anhand der Parameter Durchmesser, Volumen und Morphologie präzise lokalisiert und beschrieben.

Im Follow-up werden jeweils zwei CT-Studien verglichen. Der Status jedes Rundherds wird als Baseline, unverändert, kleiner oder größer angegeben. Neue Knoten werden als solche angegeben. Dieser automatisierte Vergleich im CT-Follow-up reduziert den Arbeitsaufwand erheblich. Die vom Anbieter angepriesene Verringerung des Arbeitsaufwands von 86,7 % und die Zeitersparnis von 70 % konnten wir jedoch nicht bestätigen.

Wir haben aview LCS außerdem zusammen mit aview COPD evaluiert, welcher zur Erkennung und Quantifizierung des Lungenemphysems im Lungen-CT entwickelt wurde. Erfahren Sie mehr in unserem Menu AI-Assistenten!

Die wissenschaftliche Evidenz

Lancaster HL, Zheng S, Aleshina OO, Yu D, Yu Chernina V, Heuvelmans MA, de Bock GH, Dorrius MD, Willem Gratama J, Morozov SP, Gombolevskiy VA, Silva M, Yi J, Oudkerk M. Outstanding negative prediction performance of solid pulmonary nodule volume AI for ultra-LDCT baseline lung cancer screening risk stratification. Lung Cancer. 2022 Jan 6;165:133-140.

Daten zum Upload auf Radailogy

Native Low-dose-CT-Studien des Thorax jeden CT- Geräteherstellers, axiale Reformationen, Schichtdicke und Rekonstruktionsintervall weniger als 1,25 mm, Lungen-Rekonstruktionskernel

Kalkablagerungen verengen die Herzkranzgefässe und erhöhen das Infarktrisiko. Das Calcium-Scoring in einer einfachen CT-Untersuchung des Thorax gibt Auskunft darüber, ob Ihre Herzkranzgefäße durch diese Arteriosklerose geschädigt sind.

Mit grosser Freude präsentieren wir Ihnen aview CAC, einen AI-Assistenten für die CT des Herzens.

Warum aview CAC wichtig ist und wie es arbeitet

Koronararterienkalk (CAC) ist ein Marker für die gesamte atherosklerotische Belastung der Koronararterien. Daher ist es ein wichtiges Instrument zur Stratifizierung des kardiovaskulären Risikos und zur präventiven Behandlung asymptomatischer Patienten mit unklarem Risiko für Herz-Kreislauf-Erkrankungen.

aview CAC ist ein neuer AI-Assistent zur Segmentierung und Kennzeichnung von Koronararterien. Er erkennt und analysiert Kalk in den Koronararterien anhand von CT-Untersuchungen des Thorax durch Messung des Agatston-Scores.

Patienten mit einem hohen Agatston-Score haben ein erhöhtes Risiko für einen Herzinfarkt.

Wer profitiert

Unter Berücksichtigung Ihres Alters und Ihres Geschlechts lässt sich mit aview CAC errechnen, wie hoch Ihr Risiko für einen Herzinfarkt ist.

Hatten Sie bereits eine Screening-CT Ihrer Lungen, so können Sie uns diese Studie an Radailogy senden, und Sie erhalten rasch und sicher Auskunft über dieses Risiko.

Wird Koronararterienkalk nachgewiesen, dann ist eine koronare Erkrankung eher wahrscheinlich, unabhängig davon, ob Sie Symptome verspüren oder nicht. Es bedeutet auch, dass mögliche Folgeuntersuchungen (CT-Angiographie der Koronararterien oder MRI des Herzens) Rückschlüsse auf die Entwicklung der Erkrankung und die Wirksamkeit einer Therapie zulassen.

Unsere eigene Erfahrung bei Radailogy

aview CAC berechnet die Ergebnisse nach dem CAC-DRS-Bewertungssystem. Der AI-Assistent verwendet den Modifikator „Ax“ oder „Vx“, um den Agatston- bzw. den visuell geschätzten CAC-Score darzustellen, wobei x der CAC-Score-Kategorie entspricht. Als nächstes wird die Anzahl der betroffenen Arterien mit dem Modifikator „Ny“ angegeben, wobei y der Anzahl der betroffenen Kategorien entspricht.

Beide Modifikatoren werden dann kombiniert und durch eine Virgule getrennt, um einen zusammengesetzten CAC-DRS-Score (Ax/Ny oder Vx/Ny) zu ergeben. Die Berechnung basiert auf dem gewichteten, höchsten Dichtewert (HU), multipliziert mit der Fläche des Verkalkungsstellen. Der Dichtewert beschreibt den Risikofaktor: 130-199 HU: 1; 200-299 HE: 2; 300-399 HU: 3; 400+ HU: 4.

Der Test wird schnell, genau und mit einer geringer Interreader-Variabilität durchgeführt. Darüber hinaus verbessert die proprietäre Kernel-Konvertierungstechnologie von aview CAC die Genauigkeit und Leistung für eine schnelle Analyse. Die Ergebnisse werden in klaren Zahlen und gut verständlichen Bildern dargestellt.

Die wissenschaftliche Evidenz

Vonder M, Zheng S, Dorrius MD, van der Aalst CM, de Koning HJ, Yi J, Yu D, Gratama JWC, Kuijpers D, Oudkerk M. Deep Learning for Automatic Calcium Scoring in Population-Based Cardiovascular Screening. JACC Cardiovasc Imaging. 2022 Feb;15(2):366-367.

Aldana-Bitar J, Cho GW, Anderson L, Karlsberg DW, Manubolu VS, Verghese D, Hussein L, Budoff MJ, Karlsberg RP. Artificial intelligence using a deep learning versus expert computed tomography human reading in calcium score and coronary artery calcium data and reporting system classification. Coron Artery Dis. 2023 Sep 1;34(6):448-452.

Suh YJ, Kim C, Lee JG, Oh H, Kang H, Kim YH, Yang DH. Fully automatic coronary calcium scoring in non-ECG-gated low-dose chest CT: comparison with ECG-gated cardiac CT. Eur Radiol. 2023 Feb;33(2):1254-1265.

Daten zum Upload auf Radailogy

Native CT-Studien des Thorax jeden CT- Geräteherstellers, 120 Kvp, axiale Reformationen, Schichtdicke und Rekonstruktionsintervall jeweils 2,5-3 mm, Weichteil-Rekonstruktionskernel