Konvolutionella neurala nätverk som använder preoperativ CT för att förutsäga korttidsåterfall efter reparation av incisionell bråck

Varför det är viktigt att förutsäga kirurgiska bakslag

När patienter genomgår operation för att reparera ett bukväggsbråck som uppstått i ett tidigare snitt hoppas alla att åtgärden ska hålla. Ändå återkommer bråcket i en påtaglig minoritet av fallen, ofta med mer smärta, fler operationer och ökade kostnader som följd. Kirurger uppskattar vanligtvis denna risk utifrån erfarenhet och några kliniska faktorer, men dessa bedömningar är inte perfekta. Denna studie undersöker om en form av artificiell intelligens, tränad på rutinmässiga preoperativa CT-skanningar, kan hjälpa till att förutse vilka patienter som löper störst risk att få återfall efter reparation av incisionellt bråck.

Att omvandla rutinbilder till prognoser

Forskarlaget gick tillbaka och granskade 528 patienter som opererades för incisionellt bråck vid ett stort sjukhus mellan 2016 och 2019. Alla hade CT-bilder av buken tagna före operationen, som fångade bråckets storlek, läge och form samt omgivande vävnader. Teamet extraherade 44 380 enskilda bildskivor som visade bråckområdet, anonymiserade materialet, standardiserade bilderna till ett enhetligt format och delade upp dem i en stor träningsuppsättning och en mindre testuppsättning. Viktigt är att datormodellerna aldrig “såg” testbilderna under träningen, vilket möjliggjorde en rättvis kontroll av hur systemet skulle prestera på nya patienter.

Hur datorn lär sig från bilder

För att analysera skannorna använde författarna tre populära djupinlärningsmodeller för bildanalys, så kallade konvolutionella neurala nätverk. Dessa nätverk, ursprungligen utvecklade för uppgifter som att känna igen vardagliga objekt på fotografier, är mycket skickliga på att upptäcka mönster i komplexa bilder. Under träningen märktes varje CT-skiva upp beroende på om patientens bråck senare återkom eller inte. Nätverken jämförde upprepade gånger sina förutsägelser med de verkliga utfallen och justerade sina interna kopplingar för att minska fel. För varje patient kombinerades modellens förutsägelser från flera skivor till en enskild uppskattning av återfallsrisken.

Vilken modell presterade bäst

De tre modellerna — ResNet-50, en djupare variant kallad ResNet-152, och VGG16 — presterade inte lika. När de testades på tidigare osedda bilder visade ResNet-50 störst förmåga att skilja patienter som skulle få återfall från dem som inte skulle det. Dess prestanda, sammanfattad med en standardmetrik kallad area under kurvan, var märkbart högre än de andra två nätverkens. Statistisk analys bekräftade att dessa skillnader sannolikt inte berodde på slumpen. För att få insikt i vad nätverken “tittade på” använde teamet också en visualiseringsmetod som framhäver de bildregioner som var viktigast för en förutsägelse, vilket visade att områden kring bråckdefekten och bukväggen bar störst betydelse.

Vad detta kan innebära för patienter och kirurger

Om metoderna förfinas och valideras över flera sjukhus skulle sådana bildbaserade prediktionsverktyg kunna ge ett objektivt andra utlåtande utöver kirurgens egen bedömning. En mer exakt uppskattning av återfallsrisken, beräknad före operation från en skanning som redan ingår i standardvården, skulle kunna hjälpa till att styra beslut om tidpunkt för operation, val av kirurgisk strategi, typ och storlek på nät samt om en patient kan ha nytta av behandling vid ett specialiserat bråckcentrum. Patienter med hög risk skulle exempelvis kunna få råd om ytterligare åtgärder för att stärka reparationen, medan lågriskpatienter kanske undviks mer aggressiva ingrepp.

Nästa steg

Författarna betonar att detta arbete är ett tidigt konceptbevis snarare än ett färdigt kliniskt verktyg. Studien bygger på patienter från ett enda sjukhus, använder ett relativt måttligt antal fall sett ur djupinlärningsperspektiv och förlitar sig enbart på bildmaterial, utan att ta hänsyn till andra viktiga faktorer som allmäntillstånd, tidigare operationer och kirurgisk teknik. Framtida forskning behöver kombinera CT‑hämtade funktioner med detaljerad klinisk och operativ information, testa modeller på större och mer varierade patientgrupper och säkerställa att förutsägelserna är begripliga och tillförlitliga för kliniker. Ändå antyder resultaten att smart analys av rutinmässiga medicinska bilder en dag kan hjälpa till att individualisera bråkkirurgi och minska risken för en ovälkommen andra reparation.

Citering: 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

Nyckelord: incisionellt bråck, bråckåterfall, djupinlärning, CT-bildgivning, kirurgiska resultat