Konvolutionale neuronale Netze, die präoperative CT verwenden, um kurzfristige Rezidive nach Narbenbruchreparation vorherzusagen

Warum die Vorhersage chirurgischer Rückschläge wichtig ist

Wenn Menschen sich einer Operation unterziehen, um einen Bauchwandbruch zu reparieren, der an einer früheren Inzision entstanden ist, hofft jeder, dass die Reparatur Bestand hat. Dennoch tritt der Bruch in einer bemerkenswerten Minderheit der Fälle wieder auf, was oft mehr Schmerz, weitere Operationen und höhere Kosten bedeutet. Chirurgen schätzen dieses Risiko meist anhand von Erfahrung und einigen klinischen Faktoren ein, doch diese Beurteilungen sind unvollkommen. Diese Studie untersucht, ob eine Form künstlicher Intelligenz, trainiert mit routinemäßigen präoperativen CT-Scans, dabei helfen kann, vorherzusagen, welche Patienten mit höherer Wahrscheinlichkeit ein Rezidiv nach Narbenbruchreparation erleiden.

Routinescans in Vorhersagen verwandeln

Die Forschenden werteten retrospektiv 528 Patienten aus, die zwischen 2016 und 2019 an einem großen Krankenhaus wegen eines Narbenbruchs operiert wurden. Alle verfügten über präoperative CT-Aufnahmen des Abdomens, die Größe, Lage und Form des Bruchs sowie das umgebende Gewebe zeigten. Das Team extrahierte 44.380 einzelne Bildschichten, die die Bruchregion abbildeten, entfernte alle identifizierenden Informationen, standardisierte die Bilder auf ein einheitliches Format und teilte sie in eine große Trainings- und eine kleinere Testmenge. Wichtig ist, dass die Computermodelle die Testbilder während des Trainings nie „gesehen“ haben, wodurch eine faire Überprüfung der Leistungsfähigkeit an neuen Patienten möglich wurde.

Wie der Computer aus Bildern lernt

Zur Analyse der Scans nutzten die Autoren drei verbreitete Deep-Learning-Bildmodelle, sogenannte konvolutionale neuronale Netze. Diese Netze, ursprünglich für Aufgaben wie das Erkennen alltäglicher Objekte in Fotos entwickelt, sind besonders gut darin, Muster in komplexen Bildern zu erkennen. Während des Trainings wurde jede CT-Schicht danach gekennzeichnet, ob der Bruch des jeweiligen Patienten später wieder auftrat oder nicht. Die Netze verglichen wiederholt ihre Vorhersagen mit den tatsächlichen Ergebnissen und passten ihre internen Verbindungen an, um Fehler zu reduzieren. Für jeden Patienten wurden die Vorhersagen aus mehreren Schichten zu einer einzigen Schätzung des Rezidivrisikos zusammengeführt.

Welches Modell am besten abschnitt

Die drei Modelle – ResNet-50, eine tiefere Variante namens ResNet-152, und VGG16 – erzielten unterschiedliche Leistungen. Bei Tests mit zuvor ungesehenen Bildern zeigte ResNet-50 die stärkste Fähigkeit, zwischen Patienten mit und ohne Rezidiv zu unterscheiden. Seine Leistung, zusammengefasst durch eine gängige Kennzahl, die Fläche unter der Kurve, lag deutlich über der der beiden anderen Netzwerke. Statistische Analysen bestätigten, dass diese Unterschiede vermutlich nicht zufällig sind. Um Einblick zu gewinnen, worauf die Netze „achten“, nutzte das Team außerdem eine Visualisierungsmethode, die die Bildbereiche hervorhebt, die für eine Vorhersage am wichtigsten sind, und zeigte, dass Regionen um den Bruchdefekt und die Bauchwand das größte Gewicht trugen.

Was das für Patienten und Chirurgen bedeuten könnte

Wenn solche bildbasierten Vorhersagewerkzeuge verfeinert und über mehrere Krankenhäuser hinweg validiert werden, könnten sie eine objektive Zweitmeinung zur Einschätzung des Chirurgen liefern. Eine genauere Abschätzung des Rezidivrisikos, berechnet vor der Operation aus einem ohnehin routinemäßigen Scan, könnte Entscheidungen über den Zeitpunkt der Operation, die Wahl des chirurgischen Zugangs, Art und Größe des Netzes sowie die Frage, ob ein Patient von einer Behandlung in einem spezialisierten Hernienzentrum profitiert, lenken. Patienten mit hohem Risiko könnten beispielsweise über zusätzliche Maßnahmen zur Stärkung der Rekonstruktion beraten werden, während Patienten mit niedrigem Risiko von aggressiveren Interventionen verschont bleiben könnten.

Die nächsten Schritte

Die Autoren betonen, dass es sich bei dieser Arbeit um einen frühen Machbarkeitsnachweis und nicht um ein fertiges klinisches Werkzeug handelt. Die Studie basiert auf Patienten eines einzelnen Krankenhauses, verwendet für Deep-Learning-Standards eine relativ bescheidene Fallzahl und stützt sich ausschließlich auf die Bildgebung, ohne andere wichtige Faktoren wie den allgemeinen Gesundheitszustand, frühere Operationen und chirurgische Technik zu berücksichtigen. Zukünftige Forschung wird CT-abgeleitete Merkmale mit detaillierten klinischen und operativen Informationen kombinieren, Modelle an größeren und vielfältigeren Patientengruppen testen und sicherstellen müssen, dass die Vorhersagen für Kliniker verständlich und vertrauenswürdig sind. Dennoch deuten die Ergebnisse darauf hin, dass eine intelligente Analyse routinemäßiger medizinischer Bilder eines Tages dazu beitragen könnte, Hernienoperationen zu personalisieren und die Wahrscheinlichkeit einer unerwünschten Nachoperation zu verringern.

Zitation: Xing, X., Zhao, B., Wang, M. et al. Convolutional neural networks using preoperative CT to predict short-term recurrence after incisional hernia repair. Sci Rep 16, 14601 (2026). https://doi.org/10.1038/s41598-026-44070-x

Schlüsselwörter: Narbenbruch, Bruchrezidiv, Deep Learning, CT-Bildgebung, chirurgische Ergebnisse