KI-basierte HCC-Detektion in der CT

KI-basierte HCC-Detektion in der CT

Die Hinzunahme eines KI-Algorithmus zur HCC-Diagnostik auf Grundlage kontrastverstärkter CT-Bilder verbessert die diagnostische Genauigkeit des Befunds der RadiologInnen.

  • Datum:
    03.09.2022 0 Kommentare
  • Journal:
    British Journal of Cancer 2021;125:1111–1121
  • Titel:
    Development of an AI system for accurately diagnose hepatocellular carcinoma from computed tomography imaging data
  • Autor:
    Meiyun Wang et al.
    Zur Originalstudie

Hintergrund

Die Genauigkeit der CT-basierten Diagnostik hepatozellulärer Karzinome (HCC) hängt von der Tumorgröße ab. Bei HCC kleiner als 1 cm sinkt die Sensitivität rapide. Um die Genauigkeit der CT-basierten HCC-Diagnostik zu verbessern, haben WissenschaftlerInnen aus China den KI-Algorithmus HCCNet entwickelt und getestet. Federführend war Meiyun Wang, Chefin der Radiologie am Henan Provincial People’s Hospital (Universität Zhengzhou), einem 3.900-Betten-Haus in der chinesischen Provinz Henan.

Fazit

Die diagnostische Genauigkeit von RadiologInnen einerseits und HCCNet andererseits erwiesen sich als vergleichbar.

Durch Kombination von menschlicher und KI-Befundung verbesserte sich Genauigkeit statistisch signifikant gegenüber der alleinigen Beurteilung durch HCCNet oder RadiologInnen.

Methoden

Ihren KI-Algorithmus HCCNet trainierten Wang und KollegInnen an den CT-Daten von 7.512 PatientInnen der Klinik, darunter 647 mit HCC. Zur Validierung von HCCNet dienten ein klinik-internes (n = 385; 218 mit HCC) und ein externes (n = 556; 264 mit HCC) Testset mit Daten einer andern Klinik.

Das Forschungsteam verglich die Leistung von HCCNet mit der von drei RadiologInnen mit acht- bis zehnjähriger Erfahrung für eine Teilmenge von 95 Patienten aus der Validierungsgruppe und 82 Fällen aus der Testgruppe.

Die RadiologInnen hatten alle CT-Bilder gemäß den LI-RADS-Richtlinien befundet. Ein Jahr später wurden sie gebeten, die Untersuchungen erneut zu befunden, dann allerdings mit Unterstützung durch HCCNet.

Zentrale Messwerte waren Area under the Curve (AUC), diagnostische Genauigkeit und Sensitivität.

Wesentliche Ergebnisse

In der Identifikation von HCC-PatientInnen erwies sich HCCNet als leistungsstark. Mit den Daten aus dem externen Testset (n = 556) erreichte der Algorithmus eine

  • AUC von 0,883
  • Diagnostische Genauigkeit von 81,3%
  • Sensitivität von 89,4%
  • Spezifität von 74,0%

RadiologInnen (erneute Befundung nach einem Jahr, n = 82) und HCCNet erzielten anhand der externen Testdaten vergleichbare diagnostische Genauigkeiten mit 0,805 vs. 0,793 (Unterschied nicht signifikant; p = 0,663).

Die Genauigkeit der Befundung durch Kombination von RadiologInnen und KI stieg auf 85,4% und war damit statistisch signifikant besser als die alleinige Beurteilung durch die KI oder die RadiologInnen.

Um die klinische Eignung des Modells zu bestätigen, sind nun prospektive Studien erforderlich, so die AutorInnen.

mh/ktg
03.09.2022

Sie müssen sich einloggen, um Kommentare zu verfassen.

Ihr direkter Draht zu uns