Eine Studie, die in Radiology veröffentlicht wurde, zeigt, dass ein Deep-Learning-Modell auf dem Niveau eines Bauchradiologen in der Erkennung von klinisch relevantem Prostatakrebs auf MRT-Bildern agiert. Die Forscher hoffen, dass das Modell als Ergänzung zu Radiologen eingesetzt werden kann, um die Prostatakrebs-Erkennung zu verbessern. Prostatakrebs ist weltweit die zweithäufigste Krebsart bei Männern. Radiologen verwenden typischerweise multiparametrische MRT, um klinisch relevanten Prostatakrebs zu diagnostizieren. Die Ergebnisse werden durch das Prostate Imaging-Reporting and Data System Version 2.1 (PI-RADS) ausgedrückt. Die Klassifizierung von Läsionen mit PI-RADS hat jedoch Grenzen.
Laut Studienautor Dr. Naoki Takahashi von der Radiologieabteilung der Mayo Clinic in Rochester, MN, ist die Interpretation von Prostata-MRT-Bildern schwierig. Künstliche Intelligenz-Algorithmen haben das Potenzial, die Krebserkennung zu verbessern und die Beobachtervariabilität zu reduzieren. Ein Nachteil bestehender KI-Ansätze ist jedoch, dass die Läsion zum Zeitpunkt der Modellentwicklung und erneut während der klinischen Implementierung von einem Radiologen oder Pathologen annotiert werden muss.
Ein neuer Deep-Learning-Modelltyp, den Dr. Takahashi und Kollegen entwickelt haben, ist in der Lage, das Vorhandensein von klinisch relevantem Prostatakrebs vorherzusagen, ohne Informationen über die Läsionslage zu benötigen. Sie verglichen seine Leistung mit der von Bauchradiologen in einer großen Gruppe von Patienten ohne bekannten klinisch relevanten Prostatakrebs, die an einer MRT an mehreren Standorten einer einzigen akademischen Einrichtung teilgenommen hatten.
Das Deep-Learning-Modell hat eine ähnliche Leistung in der Erkennung von klinisch relevantem Prostatakrebs wie erfahrene Bauchradiologen gezeigt. Eine Kombination aus dem Modell und den Befunden des Radiologen schnitt auf internen und externen Testsets besser ab als Radiologen allein. Die Forscher konnten mithilfe eines sogenannten gradientengewichteten Klassenaktivierungskarten (Grad-CAM) die Tumoren lokalisieren, da die Modellausgabe keine Tumorposition beinhaltet.
Dr. Takahashi betrachtet das Modell als potenziellen Assistenten des Radiologen, der die diagnostische Leistungsfähigkeit in der MRT verbessern kann, indem die Krebserkennungsraten erhöht und falsch positive Ergebnisse reduziert werden. Das Modell sollte jedoch nicht als eigenständiges Diagnosewerkzeug betrachtet werden, sondern als ergänzend in Entscheidungsprozessen eingesetzt werden. Die Forscher haben ihre Datensätze weiter ausgebaut und planen eine prospektive Studie, um die Interaktion der Radiologen mit den Modellvorhersagen zu untersuchen.