Entscheidungshilfe bei akuten Schlaganfällen

Projekttitel: KI-gestützte Entscheidungshilfe bei akutem Schlaganfall

Projektdauer:

Forschungsbereich: Biowissenschaften und Medizin

Ziele

ScaDS.AI Dresden/Leipzig und die Arbeitsgruppe Bild- und Signalverarbeitung der Universität Leipzig arbeiten eng mit dem Neuroimaging Lab am Universitätsklinikum Leipzig zusammen, um die Schlaganfallforschung voranzutreiben. Gemeinsam konzentrieren wir uns darauf, modernste KI-Methoden zu nutzen, um fundiertere und individuellere Entscheidungen in der Schlaganfallversorgung zu ermöglichen und damit die translationale Neurowissenschaft voranzubringen. ScaDS.AI Dresden/Leipzig bringt KI-Fachwissen in das Projekt ein, während das Neuroimaging Lab medizinisches Fachwissen beisteuert und eine umfassende Datenbank mit klinischen und bildgebenden Daten von Schlaganfallpatienten unterhält, die in ihrer Schlaganfallstation behandelt werden.

Problemstellung

Die endovaskuläre Thrombektomie – ein Verfahren zur Entfernung von Blutgerinnseln aus großen Arterien im Gehirn – hat die Behandlungsergebnisse für Schlaganfallpatienten erheblich verbessert. Es ist jedoch entscheidend zu bestimmen, wer von dieser Behandlung profitiert, da die individuellen Reaktionen stark variieren können. Aktuelle Methoden zur Patientenauswahl stützen sich auf Perfusions-CT-Scans zur Darstellung der Durchblutung im Gehirn, doch diese erfassen möglicherweise nicht vollständig die Dynamik eines Schlaganfalls und bewerten den Nutzen einer Thrombektomie nicht auf individueller Basis.

Ansatz

Eines unserer Projekte konzentriert sich auf die Entwicklung einer Deep-Learning-Methode zur Vorhersage, wie einzelne Schlaganfallpatienten auf eine Thrombektomie reagieren könnten. Unsere Modelle liefern Prognosen sowohl für den Zustand des Hirngewebes als auch für die klinische Genesung in zwei Szenarien: eines, in dem die Durchblutung erfolgreich wiederhergestellt wird, und eines, in dem dies nicht der Fall ist. Durch den Vergleich dieser Vorhersagen können wir den potenziellen Nutzen des Eingriffs für jeden einzelnen Patienten abschätzen.

Technologie

Zu diesem Zweck haben wir ein fortschrittliches 3D-Neuralnetzwerk entwickelt, das CT-Aufnahmen und Patientendaten analysiert. Dieses Netzwerk berücksichtigt individuelle Faktoren wie Alter und Anamnese und nutzt Aufmerksamkeitsmechanismen, um sich auf entscheidende Details zu konzentrieren. Wir haben unsere Modelle anhand von Daten von 405 Schlaganfallpatienten trainiert, bei denen eine Thrombektomie durchgeführt wurde, einschließlich ihrer Bilddaten, klinischen Merkmale und Genesungsergebnisse.

Ausblick

Durch die Bereitstellung personalisierter Prognosen zu Behandlungsergebnissen bietet unser Ansatz ein neues Instrument, das dem dynamischen Verlauf eines Schlaganfalls Rechnung trägt. Wir sind davon überzeugt, dass diese Methode ein erhebliches Potenzial zur Verbesserung der Patientenauswahl für die endovaskuläre Thrombektomie birgt und sicherstellt, dass diejenigen, die am meisten davon profitieren, die Behandlung erhalten.

Validierungsprojekt, kofinanziert von der Europäischen Union und dem Freistaat Sachsen

Auf der Grundlage der oben beschriebenen Forschungsergebnisse entwickeln wir „Recanalytics“, ein System zur Unterstützung klinischer Entscheidungen in der Akutversorgung bei Schlaganfällen. Das Validierungsprojekt zielt darauf ab, den aktuellen Forschungsansatz in eine robuste Beta-Version umzusetzen und diese an größeren Patientengruppen am Universitätsklinikum Leipzig zu testen. Dabei soll bewertet werden, wie genau und zuverlässig das System in klinisch relevanten Patientengruppen funktioniert. Zudem werden zentrale Anforderungen für den künftigen klinischen Einsatz berücksichtigt, darunter die Unsicherheit der Ergebnisse, die Interpretierbarkeit und das Vertrauen in die Vorhersagen, der Datenschutz sowie regulatorische Anforderungen. Langfristig soll „Recanalytics“ Ärzten dabei helfen, personalisiertere, datengestützte Behandlungsentscheidungen für Patienten mit akutem Schlaganfall zu treffen.

Weitere Informationen

Im Rahmen der Initiative „Digital Mobile Classroom“ (DigiMoK), die sich für die Förderung der Bildung in den Bereichen künstliche Intelligenz, Programmieren und Robotik an Schulen einsetzt, wurde in Zusammenarbeit mit Helliwood Media & Education ein Interview über unsere Schlaganfallforschung geführt.

Publikationen

• von Braun M-S, Stoll K, Peter L, et al. Prediction of Tissue and Clinical Thrombectomy Outcome in Acute Ischaemic Stroke Using Deep Learning. Brain. 2025;awaf013. doi:10.1093/brain/awaf013
• von Braun M-S, Stoll K, Peter L, et al. Overcoming thresholds – Utilizing convolutional neural networks for predicting individual thrombectomy response in acute ischemic stroke. Clinical Neurophysiology. 2024;159:e8. doi:10.1016/j.clinph.2023.12.027
• Stoll K, von Braun M-S, Kürsten D, et al. Prediction of functional therapeutic response to thrombectomy in acute stroke using neural networks. Clinical Neurophysiology. 2024;159:e5. doi:10.1016/j.clinph.2023.12.021
• Welle F, Stoll K, Gillmann C, et al. Tissue Outcome Prediction in Patients with Proximal Vessel Occlusion and Mechanical Thrombectomy Using Logistic Models. Translational Stroke Research. 2023. doi:10.1007/s12975-023-01160-6
• Gillmann C, Saur D, Scheuermann G. How to deal with Uncertainty in Machine Learning for Medical Imaging? In: 2021 IEEE Workshop on TRust and EXpertise in Visual Analytics (TREX). IEEE; 2021:52-58. doi:10.1109/TREX53765.2021.00014
• Gillmann C, Peter L, Schmidt C, Saur D, Scheuermann G. Visualizing Multimodal Deep Learning for Lesion Prediction. IEEE Computer Graphics and Applications. 2021;41(5):90-98. doi:10.1109/MCG.2021.3099881
• Gillmann C, Saur D, Wischgoll T, Scheuermann G. Uncertainty-aware Visualization in Medical Imaging – A Survey. Computer Graphics Forum. 2021;40(3):665-689. doi:10.1111/cgf.14333
• Gillmann C, Saur D, Wischgoll T, Hoffman K, Hagen H, Maciejewski R, Scheuermann G. (2020). Uncertainty-aware Brain Lesion Visualization. Eurographics Workshop on Visual Computing for Biology and Medicine (EG VCBM), 97-101. https://corescholar.libraries.wright.edu/cse/591

Team

Teamleitung

• Prof. Dr. Gerik Scheuermann
• Prof. Dorothee Saur

Teammitgleider

• Marie-Sophie von Braun
• Dr. Christofer Meinecke
• Dr. Kristin Starke