Neue Perspektiven für die RA-Bildgebung

Hochauflösende CT, Dual-Energy-CT, Fusion Imaging und künstliche Intelligenz erweitern die Möglichkeiten der Bildgebung bei rheumatoider Arthritis. Besonders KI soll Läsionen automatisiert erkennen, Bewertungen standardisieren und komplexe Bilddaten schneller auswertbar machen. Die im Manuskript zitierten Studien zeigen vielversprechende Ergebnisse – allerdings jeweils für klar definierte Aufgaben und nicht als Ersatz für die klinische Gesamtbeurteilung.

Bildgebung spielt bei rheumatoider Arthritis (RA) eine zentrale Rolle, weil entzündliche und strukturelle Veränderungen nicht immer vollständig mit der klinischen Untersuchung erfasst werden. Subklinische Synovitis, residuelle Inflammation in klinischer Remission und frühe strukturelle Schäden sind Beispiele für Fragestellungen, bei denen bildgebende Verfahren zusätzliche Informationen liefern können. Auch bei schwierig zu behandelnder RA kann die Bildgebung helfen, persistierende Entzündungsaktivität von anderen Ursachen der Beschwerden oder von Begleiterkrankungen abzugrenzen.

Während das konventionelle Röntgen vor allem bereits entstandene strukturelle Schäden dokumentiert, haben Ultraschall, MRT und CT jeweils andere Stärken. Die Entwicklung geht zunehmend zu hochauflösenden, multimodalen und computergestützt ausgewerteten Verfahren. Damit wächst nicht nur die Menge verfügbarer Bildinformationen, sondern auch der Bedarf an Standardisierung und reproduzierbarer Interpretation.

Hochauflösende CT und Dual-Energy-CT

Neue CT-Techniken erweitern die klassische Darstellung knöcherner Strukturen. Hochauflösende CT kann kortikalen und trabekulären Knochen detailliert abbilden und Erosionen sichtbar machen, die im konventionellen Röntgen noch nicht erkennbar sind. Dual-Energy-CT (DECT) nutzt zwei unterschiedliche Energiespektren und kann dadurch zusätzliche Gewebeinformationen bereitstellen. Im Manuskript werden Knochenmarködem, Synovitis und Kristallablagerungen als mögliche Zielstrukturen genannt.

In einer prospektiven Studie mit 136 Patient:innen mit Arthritiden der Hände wurde der klinische Einfluss einer multiparametrischen kontrastverstärkten DECT untersucht. Laut Manuskript änderte sich nach der DECT-Beurteilung bei rund der Hälfte der Fälle die initiale Verdachtsdiagnose.¹ Solche Daten sprechen für einen möglichen Zusatznutzen in ausgewählten diagnostischen Situationen, insbesondere wenn zusätzliche Informationen zur Gewebezusammensetzung für die Differenzialdiagnose hilfreich sind.

Eine besondere Rolle hat die hochauflösende CT zudem bei interstitiellen Lungenerkrankungen, die unter anderem bei RA auftreten können. Damit reicht die bildgebende Beurteilung bei rheumatischen Erkrankungen über Gelenke hinaus und kann auch Organmanifestationen einschließen.

Fusion Imaging verbindet komplementäre Informationen

Bilddaten verschiedener Modalitäten können kombiniert werden. Beim Fusion Imaging werden Echtzeit-Ultraschallbilder räumlich mit CT- oder MRT-Datensätzen zusammengeführt. Dadurch lassen sich die unmittelbar erhobene Ultraschallinformation und anatomische Informationen aus der Schnittbildgebung in einer gemeinsamen Darstellung nutzen. Die zitierte Arbeit untersuchte ein Real-Time-Fusion-Imaging von Ultraschall und Magnetresonanzdaten an Hand und Handgelenk.²

Die Kombination kann insbesondere dort interessant sein, wo eine Modalität allein anatomische Orientierung oder die Zuordnung eines Befundes nur eingeschränkt ermöglicht. Die angeführte Studie untersuchte das Verfahren an Hand und Handgelenk bei Osteoarthritis und RA. Damit ist Fusion Imaging im Kontext des Manuskripts als ergänzende Technik zu verstehen, nicht als routinemäßiger Ersatz etablierter Einzelverfahren.

Künstliche Intelligenz soll Befundung standardisieren

Ein wesentliches Anwendungsfeld künstlicher Intelligenz ist die Verarbeitung großer Bilddatenmengen. Deep-Learning-Verfahren können Muster in anatomischen Strukturen identifizieren und für automatisierte Erkennung oder Quantifizierung nutzen. Für die RA ist dies besonders interessant, weil viele Gelenke und mehrere Bildmodalitäten bewertet werden müssen und subtile Veränderungen leicht übersehen werden können.

Mögliche Vorteile sind eine schnellere Auswertung, stärkere Standardisierung und eine geringere interpersonelle Variabilität. Die Aussagekraft hängt jedoch von der jeweils trainierten Aufgabe ab: Ein Algorithmus für Erosionscoring oder Ultraschall-Synovitis bearbeitet eine definierte Bildgebungsfrage und nicht die gesamte klinische Befundung. Für Röntgenaufnahmen wurde anhand von Daten aus einem Schweizer RA-Register ein Deep-Learning-Verfahren zur automatisierten Bewertung von Knochenerosionen untersucht.³ Die Arbeit zeigt damit, dass neuronale Netze eine klar definierte Scoring-Aufgabe automatisieren können und für große Bilddatensätze eine reproduzierbare Unterstützung der Auswertung ermöglichen (Abb. 1).

Abb. 1: Entwicklung von Modellgenauigkeit (links) und Verlustfunktion (rechts) über 250 Trainingsepochen. Die Genauigkeit zeigt den Anteil korrekt klassifizierter Gelenkbilder, der Verlust die während des Trainings minimierte Fehlerfunktion. Punkte entsprechen Einzelwerten, Linien dem geglätteten Verlauf. Trainings- und Validierungskurven konvergieren im Verlauf; modifiziert nach Rohrbach et al., 20193

KI im Ultraschall: automatisches Aktivitätsscoring

Für den Ultraschall wurden neuronale Netze zur automatischen Bewertung entzündlicher Krankheitsaktivität entwickelt. In einer Studie konnten Ultraschallbilder von RA-Gelenken automatisiert ausgewertet werden.⁴ Das ist besonders relevant, weil Ultraschall stark von standardisierten Schnittebenen, Geräteeinstellungen und Erfahrung der Untersuchenden abhängt. Automatisierte Analysen könnten deshalb die Ausbildung unterstützen und die Reproduzierbarkeit verbessern. Eine weitere Arbeit untersuchte ein kaskadiertes Design mehrerer „convolutional neural networks“ und zeigte eine weitere Verbesserung des automatischen Scorings.⁵ Die Ergebnisse unterstreichen das Potenzial solcher Systeme für definierte Ultraschall-Scoring-Aufgaben und für eine reproduzierbare Unterstützung der Befundung. Das Manuskript erwähnt darüber hinaus robotergestütztes Scanning als mögliche technische Entwicklung. Entscheidend bleibt jedoch die Trennung zwischen automatisierter Bilderfassung, algorithmischer Auswertung und klinischer Interpretation: Diese Komponenten können sich ergänzen, sind aber nicht identisch.

MRT und CT: Klassifikation komplexer Bildmuster

Auch bei MRT-Daten wurden neuronale Netze zur Klassifikation entzündlicher Arthritiden untersucht. Eine Studie analysierte Hand-MRTs und unterschied zwischen Psoriasis-Arthritis, seronegativer RA und seropositiver RA.⁶ In die Untersuchung wurden auch Patient:innen mit Psoriasis ohne klinisch diagnostizierte Psoriasis-Arthritis einbezogen. Bei einem Teil zeigten die MRT-Daten subtile entzündliche Muster, die vom Algorithmus einer entzündlichen Arthritis zugeordnet wurden. Solche Ergebnisse verdeutlichen das Potenzial datengetriebener Klassifikation, ersetzen aber keine klinische Diagnose.

Eine weitere Arbeit nutzte hochauflösende CT-Daten und untersuchte Gelenkformmuster. Ein Deep-Learning-Ansatz konnte anhand charakteristischer Forminformationen zwischen RA, Psoriasis-Arthritis und gesunden Gelenken unterscheiden.⁷ Solche Studien zeigen, dass Algorithmen Informationen aus Bilddaten nutzen können, die in einer konventionellen visuellen Beurteilung nur schwer systematisch zu quantifizieren sind.

DCE-MRT liefert quantitative Bilddaten

Die Entwicklung hin zu datenintensiver Bildgebung betrifft nicht nur KI, sondern auch die MRT selbst. Dynamische kontrastverstärkte MRT kann die zeitabhängige Kontrastmittelanreicherung erfassen und wird zur quantitativeren Beurteilung von Synovitis sowie zur Phänotypisierung von Patientengruppen untersucht.⁸ Solche zusätzlichen Bildparameter vergrößern zugleich das Potenzial für computergestützte Integration und Mustererkennung.

Fazit

Die Zukunft der RA-Bildgebung liegt wahrscheinlich weniger in einer einzelnen neuen Modalität als in der Kombination komplementärer Verfahren und einer zunehmend standardisierten Auswertung. Hochauflösende CT und DECT erweitern die Beurteilung knöcherner und weiterer Gewebeveränderungen, Fusion Imaging verbindet Informationen verschiedener Modalitäten und KI kann definierte Erkennungs-, Scoring- und Klassifikationsaufgaben automatisieren. Die im Manuskript zitierte Evidenz zeigt dabei vielversprechende technische Leistungen, rechtfertigt aber keine pauschale Gleichsetzung von Algorithmen mit Expert:innen. Der klinische Nutzen hängt davon ab, ob die zusätzlichen Informationen zuverlässig, reproduzierbar und für konkrete diagnostische oder therapeutische Entscheidungen relevant sind.