Eine kürzlich veröffentlichte Studie im Journal Radiology untersucht die Leistung eines vollautomatischen Deep-Learning (DL)-Modells zur Erzeugung deterministischer Ergebnisse zur Identifizierung klinisch signifikanter Prostatakrebsarten (csPCa).
Prostatakrebs ist weltweit die zweithäufigste Krebserkrankung bei Männern. Zur Diagnose von csPCa wird häufig die multiparametrische Magnetresonanztomographie (MRT) verwendet.
Ein standardisierter Berichterstellungs- und Interpretationsansatz beinhaltet die Verwendung des Prostata-Imaging-Berichts- und Datensystems (PI-RADS), das ein hohes Maß an Fachwissen erfordert. Die Verwendung von PI-RADS zur Klassifizierung von Läsionen ist jedoch anfällig für intra- und interobserver-Variationen.
Klassisches maschinelles Lernen oder DL kann verwendet werden, um csPCa zu erkennen, indem ein Modell an spezifischen Interessensregionen trainiert wird, die durch MRT-Scans informiert sind. Ein alternativer Ansatz besteht in der Erzielung von Vorhersagen für jedes Voxel durch Schulung eines Segmentierungsmodells.
Die Forscher der aktuellen Studie interessierten sich dafür, ein DL-Modell zu entwickeln, um das Vorhandensein von csPCa ohne vorherige Kenntnisse über den Tumorstandort vorherzusagen. Sie verwendeten Patienten-Level-Label, um das Vorhandensein oder Fehlen von csPCa zu klären und verglichen die Vorhersagen des Modells mit den Vorhersagen von Radiologen.
Die Studie ergab, dass das Modell “Bild + Klinik + Radiologe” die höchste Vorhersagekraft mit einer AUC von 0,94 hatte, gefolgt vom Modell “Bild + Klinik” mit einer AUC von 0,91. Das Bild-Only-Modell und Radiologen hatten eine AUC von 0,89. Das Modell “Bild + Klinik + Radiologe” hatte die höchste Vorhersagekraft für das gesamte interne Testmuster.
Diese Ergebnisse deuten darauf hin, dass das in der aktuellen Studie entwickelte DL-Modell das Potenzial hat, Radiologen bei der Identifizierung von csPCa und der Biopsie von Läsionen zu unterstützen, was die Diagnose von Prostatakrebs erheblich verbessern könnte.