Mamma-MRT-Screening: KI reduziert Arbeitsbelastung durch Befundung
Die meisten Mamma-MRT-Aufnahmen zu Screeningzwecken sind ohne pathologischen Befund und bräuchten eigentlich keine Befundung durch RadiologInnen. Ein KI-Tool kann vorab nahezu 40 Prozent der Normalbefunde aussortieren.
-
Datum:20.01.2022 1 Kommentare
-
Journal:Radiology 2022;302:29–36
-
Titel:Deep Learning for Automated Triaging of 4581 Breast MRI Examinations from the DENSE Trial
-
Autor:Erik Verburg, University Medical Center Utrecht
Zur Originalstudie
| „Auch wenn die Idee eines Deep-Learning-Modells zum automatisierten Aussortieren normaler Mamma-MRT-Untersuchungen technisch machbar und es attraktiv ist, die Arbeitsbelastung von Radiologen zu reduzieren, verbleiben bis zur klinischen Anwendung noch einige Herausforderungen.“ Dr. Bonnie N. Joe, University of California, Fellow der Society of Breast Imaging, im ‚Radiology’- Editorial |
Fazit
Die automatisierte Analyse von MRT-Scans der Brust bei Frauen mit dichtem Brustgewebe kann nahezu 40 Prozent der läsionsfreien Fälle aussortieren, ohne dabei ein einziges Mammakarzinom zu übersehen. Das würde eine substanzielle Entlastung von RadiologInnen bei der Befundung von Brust-MRT-Aufnahmen ermöglichen.
Hintergrund
Bei Frauen mit extrem dichtem Brustgewebe ist die Mammographie weniger sensitiv als bei Frauen mit fettreichem Brustgewebe. Außerdem ist extrem dichtes Brustgewebe mit einer 3- bis 6-fach erhöhtem Brustkrebsrisiko assoziiert.
Beim Brustkrebs-Screening von Frauen mit extrem dichtem Brustgewebe entdeckt die Mammographie mit zusätzlicher kontrastverstärkter Mamma-MRT Karzinome in einem früheren Stadium. Zusätzlich kommt es zu signifikant weniger Intervallkarzinomen als mit der alleinigen Mammographie (Bakker et al. 2019).
Allerdings entsteht durch die zusätzliche MRT auch ein Mehraufwand durch den zusätzlichen Befundungsbedarf. Erik Verburg, University Medical Center Utrecht, Niederlande, und KollegInnen haben untersucht, ob sich diese Mehrbelastung der RadiologInnen durch einen automatisierten Triage-Prozess reduzieren lässt.
Methode
Dazu entwickelten Verburg et al. einen Deep-Learning-Algorithmus auf Grundlage von MRT-Screening-Daten aus der DENSE-Studie (Emaus et al. 2015) aus acht Screening-Zentren. Die Datensätze aus sieben Zentren wurden für Training und Validierung genutzt, die Datensätze aus dem achten Zentrum jeweils zum Testen verwendet. Dieser Schritt wurde achtmal durchgeführt, so dass alle Datensätze jeweils einmal zum Testen dienten.
Die Aufgabe des Algorithmus war es, Mamma-MRT-Bilder ohne Läsion zu identifizieren, ohne dabei MRT-Bilder mit Läsion (= BI-RADS Kategorien 2 bis 5) mit auszusortieren.
Als Referenzstandard für die automatisierte Befundung galt die Befundung durch RadiologInnen in den Screening-Zentren im Rahmen der DENSE-Studie.
Wesentliche Ergebnisse
- 581 MRT-Screening-Untersuchungen von Frauen mit extrem dichter Brust wurden auf diese Weise analysiert.
- Von den 9.162 extrem dichten Brüsten wiesen 838 mindestens eine Läsion (≥ BI-RADS 2) auf, 8.324 hatten keine Läsion.
- 77 der 838 Läsionen waren maligne (15 mal BI-RADS 5 und 57 mal BI-RADS 4).
| Mit einem Schwellenwert, bei dem ausnahmslos alle Karzinome detektiert wurden, sortierte der Algorithmus 39,7% der läsionsfreien Fälle als Normalbefunde aus. Das entspricht einer Sensitivität von 100%. |
Die durchschnittliche Performance des Algorithmus über alle getesteten Zentren war gut mit einer Area under Curve (AUC) von 0,83 (95% Konfidenzintervall: 0,80, 0,85).
Die beste Performance wurde erreicht, wenn drei MIP-Ebenen (transversal, sagittal und koronar) einbezogen wurden.
mh/ktg
20.01.2022
