Verschattung der Nasennebenhöhlen bei CRSwP erkennen

Ein zur Analyse von CT-Aufnahmen entwickeltes Deep-Learning-Tool könnte helfen behandlungsbedingte Verschattung der Nasennebenhöhlen bei Chronischer Rhinosinusitis mit Nasenpolypen (CRSwNP) besser zu erkennen.

In ihrer im „International Forum of Allergy & Rhinology“ veröffentlichte Studie bewertete das Team um den leitenden Autor Stephen M Humphries einen automatisierten, auf Deep Learning basierenden Sinus-Schweregrad-Score (SSS), der das Ausmaß der auf Computertomographie-Aufnahmen (CT) sichtbaren Verschattung der Nasennebenhöhlen misst. Anhand von Daten aus zwei klinischen Studien stellten die Forscher fest, dass die automatisierte Methode besser auf Veränderungen nach der Behandlung reagierte als der Lund-Mackay-Score (LMS). Mit diesem können Nasennebenhöhlenerkrankungen auf CT-Aufnahmen visuell bewertet werden.

„Die CT-Bildgebung liefert uns wichtige Informationen darüber, was im Inneren der Nasennebenhöhlen vor sich geht. Aber herkömmliche Bewertungsmethoden sind subjektiv und erfassen kleinere Veränderungen im Zeitverlauf möglicherweise nicht“, sagte Humphries von der Abteilung für Radiologie am National Jewish Health in Denver (USA). „Durch den Einsatz von Deep Learning zur objektiven Quantifizierung der Erkrankung haben wir die Möglichkeit, das Ansprechen auf die Behandlung präziser zu messen.“

Standardisierte Effektstärken für Verschattung der Nasennebenhöhlen

Für ihrer Analyse arbeitete den Forschenden mit Daten aus der OSTRO- beziehungsweise ORCHID-Studie. Beide Phase-3-Studien bewerteten Wirksamkeit und Sicherheit von Benralizumab bei CRSwNP-Patienten. Der LMS war bei beiden Studien ein wichtiger sekundärer Endpunkt. Das Team um Humphries schloss erwachsene Patienten mit bilateralen CRSwNP mit einem Endoscopic-nasal-polyp-Score von mindesten fünf (trotz intranasaler Corticosteroide), die im Rahmen ihrer Studienteilnahme eine CT ihrer Nasennebenhöhlen erhalten hatten. Das waren für die OSTRO-Studie insgesamt 131 Teilnehmer (66 Benralizumab, 65 Placebo) und 190 aus der ORCHID-Studie (93 Benralizumab, 97 Placebo).

In beiden Studien waren die Effektstärken für den SSS über alle Nebenhöhlen hinweg durchgehend größer als für den LMS. So betrugen in der OSTRO-Studie die standardisierten Effektstärken (ES) für die komplette Verschattung der Nasennebenhöhlen −0,55 (95%-Konfidenzintervall (KI) −0,91; −0,20) für den SSS und −0,38 (95%-KI −0,73; −0,03) für den LMS. Die im Datensatz der ORCHID-Studie gemessenen ES fielen geringer aus: Sie lagen bei −0,29 (95%-KI −0,57; 0,00) für den SSS und bei 0,01 (95%-KI −0,27; 0,29) für den LMS.

Aussagekräftige Veränderungen besser identifizieren

„Diese Ergebnisse sind wichtig, da präzisere und objektivere bildgebende Messungen Forschern helfen können, aussagekräftige Veränderungen zu identifizieren“, betonte Humphries. Er geht davon aus, dass das die CT-Bildgebung zu einem noch nützlicheren Instrument machen könnte: Zum einen, um neue Therapien zu bewerten und zum anderen, um zu verstehen, wie Nasennebenhöhlenerkrankungen auf eine Behandlung ansprechen.

Die Studienautoren weisen auch auf die Grenzen ihrer Arbeit hin. So beschränkte sich die Analyse auf zwei klinische Studien, in denen jeweils eine einzige Behandlung untersucht wurde. Sie betonen, dass weitere Studien erforderlich sind, um festzustellen, wie sich der Ansatz bei anderen Therapien und Wirkmechanismen bewährt.

Die Ergebnisse bauen auf früheren Forschungsarbeiten auf, bei denen automatisierte CT-Analysen bei chronischen Nasennebenhöhlenerkrankungen zum Einsatz kamen. So konnten frühere Arbeiten zeigen, dass die Technlogie dazu geeignet ist, langfristige Veränderungen der Opazität der Nasennebenhöhlen bei Patienten mit Mukoviszidose zu erkennen. Im Rahmen eines deutschen Projekts unter Federführung des Instituts für Medizinische Informatik der Medizinischen Fakultät Heidelberg wir derzeit ein KI-Tool entwickelt, um Magnetresonanztomographie-Aufnahmen der Nasennebenhöhlen bei Mukoviszidose-Patienten auszuwerten. (ja/BIERMANN)

Originalpublikation: MacKay JW et al. Deep Learning Improves Sensitivity to Change in Sinus Computed Tomography: Evidence From Two Randomized Controlled Trials. Int Forum Allergy Rhinol 2026 Sep;16(9):1034-1038.