Lungenkrebs weist weltweit hohe Morbiditäts- und Mortalitätsraten auf. Er zeichnet sich durch schnelle Progression, eine schlechte Prognose und Anfälligkeit für die Chemotherapie aus. Der häufigste Metastasierungsweg bei Lungenkrebs verläuft über die mediastinalen Lymphknoten (MLN), was erhebliche Auswirkungen auf das Stadium und die Prognose der Krankheit hat. Die präoperative Bewertung des MLN-Status ist für Ärzte entscheidend, um die optimale Behandlung und den Umfang der chirurgischen Dissektion bei Patienten mit Lungenkrebs festzulegen. Diese Bewertung ist von entscheidender Bedeutung für die Vorhersage der Patientenprognose, die Verbesserung der Überlebensraten und die Steigerung der Lebensqualität.
Derzeit eingesetzte Techniken für die präoperative Lymphknotendiagnose umfassen Computertomographie (CT), Magnetresonanztomographie (MRT), Positronenemissionstomographie-Computertomographie (PET-CT), ultraschallgesteuerte Feinnadelaspirationsbiopsie und Mediastinoskopie. Die diagnostische Sensitivität und Spezifität von einfachen CTs für Lymphknotenmetastasen betrugen 12,8% bzw. 99,6%, während diejenigen von Kontrast-CTs 22,1% und 90,7% betrugen. Die Beurteilung von Lymphknotenmetastasen mittels MRT ist auf morphologische Indikatoren mit geringer Präzision beschränkt, wie aus früheren Studien hervorgeht. PET-CT gilt als umfassendste und genaueste Bildgebungsmodalität zur klinischen Bewertung des Lymphknotenstatus. Dennoch können Patienten mit Lungenkrebs häufig akute und chronische Lungenentzündungskrankheiten aufweisen, was zu falsch positiven Ergebnissen führen kann.
Die präzise Vorhersage nicht-invasiver Lymphknotenmetastasen stellt erhebliche Herausforderungen dar. Hier kann die Fortschritte in der künstlichen Intelligenz, insbesondere das Deep Learning, eine vielversprechende Lösung zur Verbesserung der aktuellen diagnostischen Methoden bieten. Im Gegensatz zu traditionellen manuellen Erkennungsmerkmalen nutzt die Deep-Learning-Technologie einen End-to-End-Ansatz, der eine überlegene diagnostische Leistung erbringt. Transfer-Learning ist eine potente Forschungsmethode in der Data-Science-Community, insbesondere für spezialisierte Deep-Learning-Studien mit kleinen Datensätzen. Durch die Anwendung von Transfer-Learning kann die Abhängigkeit von Datenvolumen für den Modellaufbau erheblich reduziert werden.
Die Implementierung dieses Ansatzes kann die diagnostische Effizienz medizinischer Einrichtungen bei der Erkennung des Vorhandenseins von MLN+ bei Patienten mit Lungenkrebs verbessern und somit die Fortschritte im Gesundheitsmanagement von Lungenerkrankungen erleichtern.