– Forscher haben ein Deep-Learning-Tool entwickelt, das in der Lage ist, falsch-positive Ergebnisse zu reduzieren, ohne echte Fälle von Brustkrebs zu übersehen, die durch das Mammographie-Screening identifiziert wurden, so eine Studie, die diese Woche in veröffentlicht wurde Radiologie: Künstliche Intelligenz.
Eine wirksame Krebsvorsorgeuntersuchung ist der Schlüssel zur Verbesserung der Patientenergebnisse. Medizinische Bilder wie Mammographien können für Ärzte jedoch schwierig zu lesen sein und möglicherweise zu falsch positiven Ergebnissen führen.
„Falsch-positive Ergebnisse liegen vor, wenn man einen Patienten zu weiteren Tests zurückruft und es sich als harmlos herausstellt“, erklärte der leitende Autor Richard L. Wahl, MD, Professor für Radiologie am Mallinckrodt Institute of Radiology (MIR) der Washington University und Professor der Radioonkologie, in einer Pressemitteilung. „Das verunsichert die Patienten unnötig und verschlingt medizinische Ressourcen.“
Tools wie auf künstlicher Intelligenz (KI) basierende Assistenten können dabei helfen, das Problem falsch positiver Ergebnisse anzugehen, indem sie Mammographien mit geringem Risiko identifizieren und aus der Arbeitsbelastung eines Radiologen entfernen, sodass dieser sich auf Bilder konzentrieren kann, die auf Brustkrebs verdächtig sind.
Dies erfordert jedoch, dass ein KI-Modell die falsch positiven Ergebnisse genau kennzeichnen kann, ohne dass dabei auch echte Krebsfälle übersehen werden. Die Forscher bewerteten ein vom Technologie-Startup Whiterabbit.ai entwickeltes Modell, um dessen Fähigkeiten in diesem Bereich zu ermitteln.
Zu diesem Zweck führte das Forschungsteam eine Simulationsstudie durch, bei der das Tool normale Mammogramme identifizieren und Krebs ausschließen sollte. Von dort aus simulierten die Forscher anhand realer Patientendaten, was passieren würde, wenn diese Bilder mit geringem Risiko entfernt würden, sodass sich Radiologen auf die Mammographien mit höherem Risiko konzentrieren könnten.
Das Tool wurde anhand einer Reihe von 123.248 digitalen 2D-Mammogrammen trainiert – 6.161 davon enthielten Krebs –, die von Radiologen der Washington University gesammelt und ausgewertet wurden. Das Modell wurde dann anhand von drei unabhängigen Datensätzen aus den Vereinigten Staaten und dem Vereinigten Königreich validiert.
Anhand dieser Daten ermittelten die Forscher, wie viele Patienten zu Zweituntersuchungen und Biopsien zurückgerufen wurden, welche Ergebnisse diese Tests ergaben und ob bei jedem Fall eine Krebsdiagnose gestellt wurde. Die KI wurde dann auf die Daten angewendet und die negativen Mammogramme wurden entfernt, sodass hochriskante Bilder zurückblieben, die von Ärzten mithilfe von Standarddiagnoseverfahren ausgewertet werden mussten.
Für jeden Datensatz führte der Einsatz des Deep-Learning-Tools zu einer deutlichen Reduzierung falsch-positiver Ergebnisse, ohne dass echte Krebsfälle übersehen wurden.
Beim ersten US-Datensatz reduzierte das Modell die Zahl der Screening-Untersuchungen, die eine Interpretation durch einen Radiologen erfordern, um 41,6 Prozent, Rückrufe bei diagnostischen Untersuchungen um 31,1 Prozent und gutartige Nadelbiopsien um 7,4 Prozent.
Diese Trends waren auch in den anderen Datensätzen zu beobachten, mit Reduzierungen von 19,5 Prozent, 11,9 Prozent und 6,5 Prozent im zweiten US-Datensatz sowie Reduzierungen von 36,8 Prozent, 17,1 Prozent und 5,9 Prozent im britischen Datensatz.
„Diese Simulationsstudie hat gezeigt, dass Mammographien mit sehr geringem Risiko zuverlässig durch KI identifiziert werden können, um Fehlalarme zu reduzieren und Arbeitsabläufe zu verbessern“, bemerkte Wahl.
Diese Ergebnisse unterstreichen das Potenzial von KI-gesteuerten Tools, die dazu beitragen können, die Arbeitsbelastung von Ärzten zu reduzieren, ohne die Pflegequalität oder die Patientenergebnisse zu beeinträchtigen.
„Letztendlich glauben wir an eine Welt, in der der Arzt der Superheld ist, der Krebs entdeckt und den Patienten hilft, ihren weiteren Weg zu meistern“, sagte Co-Autor Jason Su, Mitbegründer und Chief Technology Officer bei Whiterabbit.ai. „KI-Systeme können helfen, indem sie eine unterstützende Rolle spielen. Durch die genaue Beurteilung der Negative kann es dabei helfen, das Heu vom Heuhaufen zu entfernen, sodass Ärzte die Nadel leichter finden können. Diese Studie zeigt, dass KI bei der Identifizierung negativer Prüfungen potenziell sehr genau sein kann. Noch wichtiger ist, dass die Ergebnisse zeigten, dass die Automatisierung der Erkennung negativer Ergebnisse auch zu einem enormen Vorteil bei der Reduzierung falsch positiver Ergebnisse führen kann, ohne die Krebserkennungsrate zu verändern.“
Die Forschung wurde durch Mittel von Whiterabbit.ai unterstützt, und die Washington University ist an dem Unternehmen beteiligt.
Diese Ergebnisse unterstreichen das Versprechen von KI in der medizinischen Bildanalyse.
Diese Woche haben Forscher der Yale School of Medicine und anderer Institutionen einen KI-basierten Video-Biomarker identifiziert, der Ärzten dabei helfen kann, Patienten, die möglicherweise eine Aortenstenose entwickeln oder sich schnell verschlimmern, genauer zu kennzeichnen.
Das Werkzeug – Digital [aortic stenosis] Schweregradindex (DASSi) – kann die echokardiographische Signatur der Erkrankung erfassen und ermöglicht es dem Modell, das Risiko der Entwicklung und Progression einer Aortenstenose bei Patienten ohne diese Erkrankung oder mit leichten oder mittelschweren Formen der Erkrankung zu Studienbeginn zu stratifizieren.
