Eine Studie, die im Fachmagazin Radiology veröffentlicht wurde, zeigt, dass ein Deep-Learning-Modell auf dem Niveau eines abdominalen Radiologen in der Detektion von klinisch bedeutsamem Prostatakrebs auf MRT-Bildern arbeitet. Die Forscher hoffen, dass das Modell als Ergänzung zu Radiologen eingesetzt werden kann, um die Prostatakrebs-Diagnose zu verbessern. Prostatakrebs ist weltweit die zweithäufigste Krebsart bei Männern. Radiologen verwenden typischerweise multiparametrische MRT-Untersuchungen, um klinisch bedeutsamen Prostatakrebs zu diagnostizieren. Die Ergebnisse werden durch das Prostata Imaging-Reporting and Data System Version 2.1 (PI-RADS) ausgedrückt. Die Klassifizierung von Läsionen mit PI-RADS hat jedoch ihre Grenzen.
Das Team um den leitenden Autor der Studie, Dr. Naoki Takahashi, entwickelte ein neues Deep-Learning-Modell, um das Vorhandensein von klinisch bedeutsamem Prostatakrebs vorherzusagen, ohne dass Informationen zum Läsionsort erforderlich sind. Sie verglichen die Leistung des Modells mit der von abdominalen Radiologen in einer großen Gruppe von Patienten ohne bekannten klinisch bedeutsamen Prostatakrebs, die an MRT-Untersuchungen an mehreren Standorten einer einzelnen akademischen Einrichtung teilnahmen. Das Modell zeigte ähnliche Leistung wie erfahrene Radiologen bei der Erkennung von klinisch bedeutsamem Prostatakrebs auf MRT-Bildern.
Da die Ausgabe des Deep-Learning-Modells keine Informationen zum Tumorstandort enthält, verwendeten die Forscher etwas namens “Gradient-Weighted Class Activation Map” (Grad-CAM), um die Tumoren zu lokalisieren. Die Studie zeigte, dass Grad-CAM bei wirklich positiven Untersuchungen konsistent auf die klinisch signifikanten Prostatakrebsläsionen hinwies. Dr. Takahashi sieht das Modell als potenziellen Assistenten des Radiologen, der die diagnostische Leistungsfähigkeit bei MRT-Untersuchungen durch eine erhöhte Erkennungsrate von Krebs mit weniger Fehlalarmen verbessern kann.
Die Forscher haben damit begonnen, den Datensatz zu erweitern und planen eine prospektive Studie, um zu untersuchen, wie Radiologen mit den Vorhersagen des Modells interagieren. Ihr Ziel ist es zu prüfen, wie Radiologen die Modellausgabe für die Interpretation nutzen und die kombinierte Leistung von Radiologen und Modell mit der Leistung eines Radiologen allein bei der Vorhersage von klinisch bedeutsamem Prostatakrebs vergleichen. Die Ergebnisse dieser Studie könnten dazu beitragen, die Genauigkeit und Effizienz der Prostatakrebsdiagnose zu verbessern.