2023 Autor: Agatha Gilson | [email protected]. Zuletzt bearbeitet: 2023-05-21 04:40
NEW YORK (Reuters Health) - Laut einer retrospektiven Studie übertrifft ein Algorithmus für künstliche Intelligenz (KI) Radiologen bei der Erkennung von Brustkrebs in der Mammographie.
Wenn gezeigt wird, dass es funktioniert "in der Praxis kann AI-CAD (computergestützte Erkennung) die Rolle von Zweitlesern in Einstellungen mit doppeltem Lesevorgang ersetzen oder die Arbeitsbelastung von Radiologen verringern, um einen Teil der Mammogramme als krebsfrei zu untersuchen", so Dr. Eun- Kyung Kim vom Severance Hospital des Yonsei University College of Medicine in Seoul teilte Reuters Health per E-Mail mit.
Bis zu 30% der Brustkrebserkrankungen können in der Mammographie aufgrund von dichtem Parenchym, das Läsionen verdeckt, schlechter Positionierung, Wahrnehmungsfehlern, Interpretationsfehlern und anderen Gründen übersehen werden. Bemühungen, diese falsch-negativen Ergebnisse zu reduzieren, können zu übermäßigen Rückrufen und Biopsien führen.
Dr. Kim und Kollegen von fünf Institutionen in Südkorea, den USA und Großbritannien entwickelten und validierten einen KI-Algorithmus zur Erkennung von Brustkrebs in Mammographien und untersuchten, ob er die Leistung von Radiologen verbessern könnte.
Allein hatte AI eine diagnostische Gesamtleistung von 0, 959 (nach Fläche unter der Betriebskennlinie des Empfängers oder AUROC) mit individuellen Leistungen von 0, 970 im Südkorea-Datensatz, 0, 953 im US-Datensatz und 0, 938 im britischen Datensatz.
Im Gegensatz dazu lag die diagnostische Gesamtleistung von Radiologen bei 0, 810 und damit deutlich unter der des AI-Algorithmus (0, 940), berichten die Forscher in The Lancet Digital Health.
Wenn allgemeine Radiologen von AI unterstützt wurden, verbesserte sich ihre diagnostische Leistung signifikant von 0, 772 auf 0, 869. Verbesserungen waren bei dichten Brüsten noch deutlicher zu spüren.
Radiologen zeigten auch Verbesserungen sowohl der Empfindlichkeit als auch der Spezifität für die Erkennung pathologischer Merkmale von Brustkrebs, wenn sie von der KI unterstützt wurden.
Von 160 Brustkrebsarten wurden 89% durch AI mit einem Anomalie-Score von mindestens 0, 1 erkannt, verglichen mit 76%, die von mehr als der Hälfte der Radiologen festgestellt wurden.
AI entdeckte mehr T1-Krebserkrankungen (91%) und mehr knotennegative Krebserkrankungen (87%) als mehr als die Hälfte der Radiologenleser (74% bzw. 74%).
"AI-CAD ist bereit für den klinischen Einsatz", sagte Dr. Kim. "Es sollten jedoch Studien innerhalb von Screening-Szenarien durchgeführt werden, um frühere Ergebnisse zu validieren und den tatsächlichen Effekt der AI-Unterstützung beim Screening zu bewerten."
Dr. Nehmat Houssami von der Universität von Sydney, Australien, der KI für das Brustkrebs-Screening untersucht hat, sagte gegenüber Reuters Health per E-Mail: "Die Beweise rechtfertigen noch nicht die Verwendung von KI zum Lesen eines Mammogramms beim routinemäßigen Brust-Screening Die von Kim bei allen gemeldete KI übertraf erfahrene Leser (was sehr vielversprechend ist). Sie werden feststellen, dass bei einem Vergleich der KI mit Menschen 50% der Mammogramme Brustkrebs aufwiesen. Dies spiegelt nicht das routinemäßige Mammographie-Screening (bei Brustkrebs) wider ist in <1% vorhanden, daher ist die Herausforderung bei normalen Bildschirmen am größten."
"Die kritische Evidenzlücke besteht also darin, ob sich die Leistung der KI auf die Interpretation der realen Mammographie verallgemeinert (überträgt) (es ist möglich, dass sich die Leistung der KI unterscheidet, wenn sie Mammographien ausgesetzt wird, die größtenteils normal sind; sie kann sich verschlechtern)." Sie sagte.
Dr. Ritse Mann vom Radboud University Medical Center in Nijmegen, Niederlande, hat kürzlich die Verwendung von KI für die Mammographie und die digitale Brusttomosynthese untersucht. Er sagte gegenüber Reuters Health: "Um den Nutzen der KI für das Mammographielesen zu erhöhen, müssen wir darüber hinausgehen und akzeptieren, dass das KI-System allein in der Lage ist, anständige Entscheidungen zu treffen. Dies geschieht offensichtlich, indem Frauen mit Läsionen zurückgerufen werden, die höchst verdächtig sind Malignität gemäß dem KI-System, aber was noch wichtiger ist, indem akzeptiert wird, dass ein Mammogramm negativ ist, wenn das KI-System keine Läsion findet. Dies wird die Arbeitsbelastung enorm verringern und somit einen großen Einfluss auf die Gesundheitsversorgung haben."
"Die aktuelle Studie ist nicht gut genug, um zu bewerten, ob dies tatsächlich machbar ist", sagte er in einer E-Mail. "Der Effekt sollte auf reale Screening-Populationen mit Längsschnitt-Follow-up und nicht auf stark angereicherte Fallgruppen bewertet werden. Die Ergebnisse sind jedoch sehr vielversprechend."
Dr. Janine Katzen von Weill Cornell Medicine und New York-Presbyterian in New York City, die kürzlich CAD in der Mammographie untersuchten, sagte: "In Zukunft werden diese KI-Algorithmen nach ihrer Validierung wahrscheinlich auf ähnliche Weise wie CAD eingesetzt werden. jedoch mit stark verbesserter Genauigkeit, was das Potenzial hat, sowohl die Effizienz für die Radiologen als auch die Ergebnisse für unsere Patienten zu verbessern."
"Fortschritte in der KI und im maschinellen Lernen sind aufregend und können die Patientenversorgung verbessern", sagte sie per E-Mail gegenüber Reuters Health. "Alle diese Tests müssen jedoch vor der klinischen Implementierung einer signifikanten Validierung unterzogen werden."
"Diese Studie wurde unter Verwendung der digitalen Mammographie durchgeführt", fügte Dr. Katzen hinzu. "Es scheint nicht, dass die Tomosynthese eingeschlossen war. Angesichts der zunehmenden Nutzung der Tomosynthese und der damit verbundenen synthetisierten zweidimensionalen Bildgebung für das Screening der Mammographie in diesem Land wäre es wichtig zu sehen, wie KI- und Deep-Learning-Algorithmen mit dieser Modalität funktionieren."
Die Studie wurde von Lunit finanziert, einem Unternehmen, das medizinische KI-Software verkauft. Drei von Dr. Kims Mitautoren sind Lunit-Mitarbeiter.
QUELLE: https://bit.ly/39OP9RL und https://bit.ly/39TZsUz Lancet Digital Health, online, 6. Februar 2020.
