Gawlitza, Joshua ; Sturm, Timo ; Spohrer, Kai ; Henzler, Thomas (2018)
PrediCT: Vorhersage von Lungenfunktionparametern aus qCT Daten mithilfe eines neuronalen Netzwerkes.
In: RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren, 190 (S 01)
doi: 10.1055/s-0038-1641243
Artikel, Bibliographie
Kurzbeschreibung (Abstract)
Zielsetzung:
Die quantitative Computertomografie (qCT) findet zunehemd Verwendung in der Diagnostik und Forschung von Patienten mit chronisch obstruktiver Lungenerkrankung (COPD). qCT-Parameter korrelieren sowohl mit Lungenfunktionstests als auch mit der klinischen Symptomatik. Nichtsdestoweniger wird häufig kritisiert, dass die qCT ausschließlich anatomische und keinerlei funktionelle Information akquiriert. Um dies kritisch zu hinterfragen, nutzten wir eine auf machinellem Lernen basierte Software, mit deren Hilfe Lungenfunktionswerte auf der Basis von qCT Daten vorhergesagt werden können.
Material und Methoden:
75 Patienten mit diagnostizierter COPD erhielten eine Bodyplethysmografie sowie eine dosisoptimierte CT-Untersuchung in einem dual-source CT der dritten Generation (Somatom Force, Healthineers, Deutschland) in In- und Exspiration. Die Bilddaten wurden anschließend quantifiziert und vier qCT Parameter zur Prädiktion von FEV1, FEV1/VC sowie RV/TLC in das neuronale Netzwerk des Programmes (PrediCT, Mannheim, Deutschland) eingegeben. Die so vorhergesagten Lungenfunktionswerte wurden anschließend gegen die in der Bodyplethysmografie gemessenen Werte evaluiert.
Ergebnisse:
Die prädizierten Lungenfunktionswerte wichen von den tatsächlich gemessenen Lungenfunktionswerten im Mittel um 9% für die FEV1/VC, um 10% für die RV/TLC und um 17% für die FEV1 ab. Die Wurzel der mittleren Fehlerquadratsumme (engl.: RMSE) lag bei 9 für die FEV1/VC, 10 für die RV/TLC und 17 für die FEV1.
Schlussfolgerungen:
Neuartige, auf neuronalen Netzwerken basierende Algorithmen erlauben die Prädiktion von Lungenfunktionsparametern aus qCT Daten innerhalb eines vertretbaren Fehlerbereiches. Schlussfolgernd lassen sich aus statischen qCT Parametern deutlich mehr funktionelle Informationen ableiten, als bisher angenommen. Dies könnte zukünftig zu einem erweiterten Indikationsspekturm der qCT im Rahmen der COPD führen.
| Typ des Eintrags: | Artikel |
|---|---|
| Erschienen: | 2018 |
| Autor(en): | Gawlitza, Joshua ; Sturm, Timo ; Spohrer, Kai ; Henzler, Thomas |
| Art des Eintrags: | Bibliographie |
| Titel: | PrediCT: Vorhersage von Lungenfunktionparametern aus qCT Daten mithilfe eines neuronalen Netzwerkes |
| Sprache: | Deutsch |
| Publikationsjahr: | 17 April 2018 |
| Titel der Zeitschrift, Zeitung oder Schriftenreihe: | RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren |
| Jahrgang/Volume einer Zeitschrift: | 190 |
| (Heft-)Nummer: | S 01 |
| DOI: | 10.1055/s-0038-1641243 |
| Kurzbeschreibung (Abstract): | Zielsetzung: Die quantitative Computertomografie (qCT) findet zunehemd Verwendung in der Diagnostik und Forschung von Patienten mit chronisch obstruktiver Lungenerkrankung (COPD). qCT-Parameter korrelieren sowohl mit Lungenfunktionstests als auch mit der klinischen Symptomatik. Nichtsdestoweniger wird häufig kritisiert, dass die qCT ausschließlich anatomische und keinerlei funktionelle Information akquiriert. Um dies kritisch zu hinterfragen, nutzten wir eine auf machinellem Lernen basierte Software, mit deren Hilfe Lungenfunktionswerte auf der Basis von qCT Daten vorhergesagt werden können. Material und Methoden: 75 Patienten mit diagnostizierter COPD erhielten eine Bodyplethysmografie sowie eine dosisoptimierte CT-Untersuchung in einem dual-source CT der dritten Generation (Somatom Force, Healthineers, Deutschland) in In- und Exspiration. Die Bilddaten wurden anschließend quantifiziert und vier qCT Parameter zur Prädiktion von FEV1, FEV1/VC sowie RV/TLC in das neuronale Netzwerk des Programmes (PrediCT, Mannheim, Deutschland) eingegeben. Die so vorhergesagten Lungenfunktionswerte wurden anschließend gegen die in der Bodyplethysmografie gemessenen Werte evaluiert. Ergebnisse: Die prädizierten Lungenfunktionswerte wichen von den tatsächlich gemessenen Lungenfunktionswerten im Mittel um 9% für die FEV1/VC, um 10% für die RV/TLC und um 17% für die FEV1 ab. Die Wurzel der mittleren Fehlerquadratsumme (engl.: RMSE) lag bei 9 für die FEV1/VC, 10 für die RV/TLC und 17 für die FEV1. Schlussfolgerungen: Neuartige, auf neuronalen Netzwerken basierende Algorithmen erlauben die Prädiktion von Lungenfunktionsparametern aus qCT Daten innerhalb eines vertretbaren Fehlerbereiches. Schlussfolgernd lassen sich aus statischen qCT Parametern deutlich mehr funktionelle Informationen ableiten, als bisher angenommen. Dies könnte zukünftig zu einem erweiterten Indikationsspekturm der qCT im Rahmen der COPD führen. |
| Fachbereich(e)/-gebiet(e): | 01 Fachbereich Rechts- und Wirtschaftswissenschaften 01 Fachbereich Rechts- und Wirtschaftswissenschaften > Betriebswirtschaftliche Fachgebiete 01 Fachbereich Rechts- und Wirtschaftswissenschaften > Betriebswirtschaftliche Fachgebiete > Wirtschaftsinformatik 01 Fachbereich Rechts- und Wirtschaftswissenschaften > Betriebswirtschaftliche Fachgebiete > Fachgebiet Software Business & Information Management |
| Hinterlegungsdatum: | 22 Aug 2023 08:15 |
| Letzte Änderung: | 22 Aug 2023 08:15 |
| PPN: | |
| Export: | |
| Suche nach Titel in: | TUfind oder in Google |
 |
Frage zum Eintrag |
Optionen (nur für Redakteure)
 |
Redaktionelle Details anzeigen |
Drucken
Impressum