Eine retrospektive Studie legt nahe, dass ein Deep-Learning-Modell genauso effektiv wie Radiologen bei der Erkennung von klinisch signifikantem Prostatakrebs in der multiparametrischen MRT ist. Sowohl auf einem internen Testset mit 400 Untersuchungen als auch auf einem externen Testset mit 204 Untersuchungen zeigte das Modell vergleichbare Leistungen mit einer Fläche unter der Receiver-Betriebscharakteristik-Kurve (AUC) von jeweils 0,89 und 0,86 bzw. 0,89 und 0,84 im Vergleich zu Radiologen. Die Autoren glauben, dass ihr Modell Radiologen bei der Identifizierung von Prostatakrebs unterstützen kann.
Die Autoren erläuterten, dass Deep-Learning-Modelle normalerweise anhand von Ground Truths trainiert werden, die manuell annotierte regionale Interessengebiete umfassen, die mit Pathologieergebnissen korreliert sind. Ihr Modell unterscheidet sich jedoch dadurch, dass die Ground-Truth-Labels nur das Vorhandensein oder Fehlen von klinisch signifikantem Prostatakrebs enthalten, ohne Informationen über den Läsionsort zu erfordern. Dies reduziert den Ressourcenaufwand bei der Modellentwicklung.
In einer begleitenden Studie wiesen Johnson und Chandarana darauf hin, dass die MRT die PSA-Tests bei der Erkennung von klinisch signifikantem Prostatakrebs überlegen ist. Die Kosten und die Zugänglichkeit der MRT entscheiden jedoch über den Erfolg von MRT-Screening-Programmen. Daher stellt die Verwendung von Deep Learning für biparametrische MRT eine vielversprechende Richtung für zukünftige Forschungen dar. Takahashi betonte, dass das Modell als zusätzliches Werkzeug für Radiologen dienen sollte und nicht eigenständig verwendet werden sollte.
Die Studie wurde von der Mayo Foundation for Education and Research unterstützt. Die Autoren haben keine relevanten Interessenkonflikte offengelegt. Weitere Forschung wird erforderlich sein, um die Interaktion zwischen Radiologen und den Vorhersagen des Modells zu untersuchen und die diagnostische Genauigkeit für Prostatakrebs weiter zu verbessern.