O03 – Milou ter Braak – Amsterdam UMC

Geautomatiseerde AI-gebaseerde pipeline voor preoperatieve analyse van thoracoabdominale aorta aneurysmata

Samenvatting:
Introductie:
De beoordeling van thoracoabdominale aorta aneurysmata (TAAA) is in de klinische praktijk sterk afhankelijk van handmatige metingen, die zowel tijdrovend als gevoelig zijn voor interobserver variatie. In deze studie presenteren wij een geautomatiseerde pipeline die de analyse van TAAA standaardiseert en versnelt met behulp van kunstmatige intelligentie.

Methode:
Een nnU-Net model is getraind voor de automatische segmentatie van het aorta lumen en thrombus op basis van preoperatieve CTAs van 60 patiënten met een Crawford I-IV of juxtrenaal aneurysma die werden behandeld middels F/B-EVAR. Op basis van de aneurysmaclassificatie werd met automatische centerline bepaling de maximale aorta-diameter loodrecht op de aorta gemeten in het relevante anatomische gebied. De nauwkeurigheid van het model is geëvalueerd aan de hand van meerdere metrics. De automatische diameter bepaling is gevalideerd met handmatige metingen van een radioloog en een vaatchirurg op een losstaande dataset van 20 patiënten.

Resultaten:
Het nnU-Net model behaalde een gemiddelde Dice-score van 0,98 ± 0,02 voor de aorta en buitenwand (lumen + thrombus) en een gemiddelde oppervlakafstand bedroeg 1,1 ± 1,0 mm voor het lumen en 1,1 ± 0,4 mm voor de trombus, terwijl de 95ste percentiel Hausdorff-afstand respectievelijk 2,9 ± 6,2 mm en 3,1 ± 3,0 mm was. De validatie van de automatisch bepaalde maximale diameter liet een sterke correlatie zien met de handmatige expert metingen.

Conclusie:
De geautomatiseerde op AI-gebaseerde pipeline laat een hoge nauwkeurigheid zien van de van TAAA segmentaties en sterkte correlatie van de maximale diameters vergeleken met expert metingen. Deze pipeline maakt reproduceerbare en grootschalige analyse van TAAA mogelijk.