Das Lungenkrebs-Screening mithilfe der Niedrigdosis-Computertomographie (LDCT) wird jetzt für bestimmte Bevölkerungsgruppen empfohlen. Obwohl gezeigt wurde, dass es die Mortalität senkt, gibt es bei dieser Technologie anhaltende Herausforderungen, einschließlich der Variabilität zwischen den Gradern und der hohen Rate falsch positiver und falsch-positiver falsch negative Ergebnisse.
Künstliche Intelligenz (KI) kann möglicherweise dazu beitragen, einige dieser Einschränkungen zu umgehen, schlägt eine neue Studie vor.
Forscher von Google haben einen Deep-Learning-Algorithmus trainiert, um bösartige Läsionen in der Lunge aus mehr als 42.000 CT-Scans zu erkennen. Die Algorithmen identifizierten dann 11% weniger falsch positive und 5% weniger falsch negative Ergebnisse als ausgebildete Radiologen, die dieselben Scans überprüften.
Obwohl die Ergebnisse provokativ sind, warnen die Autoren davor, dass diese Ergebnisse bei großen Patientenpopulationen klinisch validiert werden müssen.
Die Studie wurde online am 20. Mai in Nature Medicine veröffentlicht.
"In der Studie haben wir gezeigt, dass das KI-Tool vielversprechend ist, um Krebspatienten besser zu diagnostizieren und diejenigen, die keinen Krebs haben, besser zu bestimmen", sagte Dr. med. Mozziyar Etemadi, wissenschaftlicher Mitarbeiter, Professor für Anästhesiologie an der Northwestern University Feinberg School of Medicine, Chicago, Illinois. "Alle in der Studie verwendeten Daten waren retrospektiv. Der nächste Schritt besteht darin, eine prospektive Studie durchzuführen, um festzustellen, ob das Tool bei Verwendung durch einen Radiologen zu einer früheren und genaueren Krebsdiagnose und hoffentlich zu besseren Ergebnissen führen kann Patienten."
Etemadi sagte gegenüber Medscape Medical News, dass sich das Forschungsteam derzeit in der Planungsphase befinde, sich aber schnell auf den Weg mache. "Im Idealfall würde eine solche Studie eine große, vielfältige Patientenpopulation erfassen, aber dies ist eine bedeutende Herausforderung", sagte Etemadi. "Krankenhauscomputersysteme sind nicht dafür ausgelegt, gut miteinander zu spielen, geschweige denn so modern wie ein KI-Algorithmus, der in der Cloud ausgeführt wird. Ein großer Teil dessen, woran mein Team derzeit arbeitet, besteht darin, diese 'Middleware' zu erstellen, um dies zu erreichen eine Wirklichkeit."
Er wies darauf hin, dass in Zusammenarbeit mit Google noch viel zu tun sei, um genau zu erfahren, wie ein Radiologe oder ein anderer Arzt die KI verwenden möchte.
"Ist es Teil ihres bestehenden Workflows? Erstellen wir einen separaten Workflow? Dies sind alles sehr interessante Fragen, an denen wir aktiv arbeiten", betonte er. "Als Ingenieur und Arzt ist dies wirklich ein wahr gewordener Traum."
Das Screening auf Lungenkrebs mittels Niedrigdosis-Computertomographie (LDCT) wird von der US-Task Force für präventive Dienste für bestimmte Gruppen mit hohem Krankheitsrisiko empfohlen. Ein anhaltendes Problem beim LDCT-Screening ist jedoch die hohe Rate falsch positiver Ergebnisse. Etwa ein Viertel (24%) der LDCT-Screening-Untersuchungen führt zu einem positiven Ergebnis, das nachuntersucht werden muss. 96% dieser Ergebnisse sind jedoch falsch positiv. Dies hat die Forscher veranlasst, neue Methoden zur Unterscheidung von bösartigen und gutartigen Knötchen zu untersuchen.
Eine Gruppe der Universität von Pittsburgh hat beispielsweise einen Algorithmus für maschinelles Lernen integriert, um die Vorhersage von Lungenkrebs zu verbessern. In ihr Modell haben sie Merkmale eines LDCT-Scans mit anderen klinischen Daten und Komorbiditäten integriert.
In der aktuellen Studie untersuchten Etemadi und seine Kollegen, wie KI dazu beitragen kann, einige der aktuellen Herausforderungen zu bewältigen, die mit LDCT-Scans für das Lungenkrebs-Screening verbunden sind. In einem Blogbeitrag stellt der Co-Autor der Studie, Shravya Shetty, MS, technischer Leiter bei Google, fest, dass wir mit den Fortschritten bei der volumetrischen 3D-Modellierung und den Datensätzen ihrer Partner (einschließlich der Northwestern University) Fortschritte bei der Modellierung der Vorhersage von Lungenkrebs erzielt haben sowie die Grundlage für zukünftige klinische Tests zu legen."
Bei der Betrachtung von Hunderten von 2D-Bildern in einem einzigen CT-Scan kann Krebs "winzig und schwer zu erkennen sein", schreibt Shetty. Das Modell, das von ihrem Team bei Google erstellt wurde, kann nicht nur die allgemeine Vorhersage der Malignität von Lungenkrebs erstellen und wird in 3D-Volumen angezeigt, sondern kann auch subtiles malignes Gewebe in der Lunge identifizieren, schreibt sie. Darüber hinaus kann dieses Modell auch Informationen aus früheren Scans berücksichtigen, die bei der Vorhersage des Lungenkrebsrisikos hilfreich sein können, da die Wachstumsrate verdächtiger Lungenknoten auf Malignität hinweisen kann.
Insgesamt gab es drei Schlüsselkomponenten in diesem neuen Ansatz. Das erste war ein 3D-Modell, das mit Deep Convolutional Neural Networks (CNN) - einer Art KI-Architektur - konstruiert wurde und eine End-to-End-Analyse des gesamten CT-Volumens unter Verwendung von LDCT-Volumina mit pathologisch bestätigtem Krebs als Trainingsdaten durchführte.
Die zweite Komponente bestand darin, ein CNN-ROI-Erkennungsmodell (Region of Interest) zu trainieren, um 3D-Krebskandidatenregionen im CT-Volumen zu erkennen. Schließlich bestand der letzte Schritt in der Entwicklung eines CNN-Modells zur Vorhersage des Krebsrisikos, das unabhängig von den Ergebnissen sowohl des Krebs-ROI-Erkennungsmodells als auch des Vollvolumenmodells arbeitet.
Das Google-Team entwickelte den Deep-Learning-Algorithmus und wandte ihn auf 6716 nicht identifizierte CT-Scan-Sets an, um die Genauigkeit des neuen Systems zu überprüfen. Das Modell erreichte für diese Fallgruppe eine Fläche von 94, 4% unter der Kurve (AUC) und erzielte dann eine ähnliche Leistung bei einem unabhängigen klinischen Validierungssatz von 1139 Fällen.
Anschließend wurden zwei Leserstudien durchgeführt. Wenn frühere CT-Scans nicht verfügbar waren, übertraf das neue Modell alle sechs Radiologen mit einer absoluten Reduktion von 11% bei falsch positiven und 5% bei falsch negativen Ergebnissen. Wo frühere Scans verfügbar waren, wurde das AI-Modell mit denselben Radiologen gleichgestellt.
"Das '3D'-Tiefenlernen - mit der Zeit als zusätzlicher Dimension - scheint die Genauigkeit bis weit über 90% deutlich zu verbessern, was ein willkommener Fortschritt ist", kommentierte Dr. Eric Topol, Direktor des Scripps Research Translational Institute in La Jolla, Kalifornien, und Chefredakteur von Medscape.
"Wie die Forscher in dem Artikel betonten, ist jedoch eine prospektive klinische Validierung erforderlich, um die Daten zu bestätigen", kommentierte er. "Und für jeden KI-Algorithmus muss die Leistung nach der Einführung in der Klinik immer sorgfältig überwacht werden."
Der Koautor der Studie, Daniel Tse, MD, ein Projektmanager bei Google, sagte gegenüber Medscape Medical News, dass sie klinische Validierungsstudien planen und dass "das Ziel darin besteht, zu verstehen, wie das Modell verallgemeinert wird und auf neue Patientenpopulationen abgestimmt werden kann".
"Wir glauben, dass auf der Seite der Benutzeroberfläche / Benutzererfahrung noch wichtige Arbeiten zu erledigen sind, um sicherzustellen, dass wir die Modelle in klinischen Umgebungen auf produktive Weise auftauchen lassen können", sagte Tse.
Diese Studie wurde von Google Inc. finanziert. Etemadi erhielt Mittel von Google Inc., um die Forschungszusammenarbeit zu unterstützen. Tse ist Mitarbeiter von Google Inc; Einige der Autoren sind auch Google-Mitarbeiter oder haben andere Beziehungen zur Industrie.
Naturmedizin. Online veröffentlicht am 20. Mai 2019. Zusammenfassung
Wenn Sie mehr über Medscape Oncology erfahren möchten, besuchen Sie uns auf Twitter und Facebook
