ECR 2023 – Mamma-MRT-Screening: KI stratifiziert genauer als Brustdichte
Für die Stratifizierung zur Mamma-MRT könnte sich künstliche Intelligenz besser eignen als die Brustdichte.
-
Präsentationstag:04.03.2023 0 Kommentare
-
Autor:kf/ktg
-
Sprecher:Fredrik Strand, Karolinska Institut, Stockholm
-
Quelle:ECR 2023
|
Auswahl von Frauen für das MRT-Screening
Derzeit ist die Brustgewebsdichte die akzeptierte Methode zur Auswahl von Frauen für das MRT-Screening, erklärte Fredrik Strand, Stockholm, Schweden. Frauen mit BI-RADS (Breast Imaging Reporting and Data System) Brustdichtegrad D, also mit extrem dichtem Parenchym, unterziehen sich in Schweden in der Regel dem Screening per Mamma-MRT.
Könnte ein eigens trainiertes KI-Tool besser als BI-RADS D genau die Frauen auswählen, bei denen trotz negativen Mammographie-Screenings ein Brustkrebsrisiko besteht und die von der Screening-MRT profitieren? Strand stellte ein derartiges KI-Tool vor: Es kombiniert drei verschiedene KI-Modelle, die auf der Grundlage der Mammographie jeweils speziell auf Risikofaktoren, auf maskierte Tumoren sowie auf Karzinomzeichen trainiert wurden.
Auf Basis dieses KI-Tools führten Strand et al. die ScreenTrust-MRT-Studie (NCT04832594) durch, deren Zwischenergebnisse er vorstellte: 4303 Frauen mit dem "KI-Äquivalent" zu BI-RADS D wurden zur Studienteilnahme eingeladen, wovon 1374 (32 %) der Teilnahme zustimmten. 691 wurden nach dem Zufallsprinzip für die Screening-MRT ausgewählt, bei 552 Frauen wurde die MRT schließlich durchgeführt. In dieser MRT-Gruppe wurden 27 Karzinome entdeckt, was 49 Karzinomen pro 1000 MRTs entspricht. "Die Zahl ist hoch, wenn man sie mit neueren Meta-Analysen vergleicht", kommentierte Strand und verwies auf die Meta-Analyse von Hussein et al. (2023), die nur 26 Karzinome pro 1000 MRTs fand. In der DENSE-Studie wurden 16,5 Karzinome pro 1000 MRTs entdeckt (Bakker 2019).
Allerdings sind die Ergebnisse der ScreenTrust-MRT-Studie noch mit Vorsicht zu betrachten, da das KI-Tool nicht in den regulären Arbeitsablauf der Radiologen eingebunden war, so Strand.
Bedeutung von Validierungsplattformen
Strand äußerte sich zudem zu Validierungsplattformen. Er hält sie vor allem aus drei Gründen für wichtig:
- Validierungsplattformen können Daten zur diagnostischen Leistung von KI-Tools liefern. Dies ist nötig, denn bislang garantieren weder die CE-Kennzeichnung in Europa noch die FDA-Zulassung in den USA die diagnostische Leistungsfähigkeit eines Tools. "Wir wissen also nicht mit Sicherheit, wie gut die Algorithmen funktionieren", kritisierte Strand.
- Validierungsplattformen könnten die KI-Leistungsfähigkeit unter spezifischen Studieneinstellungen und der Einstellung an der eigenen Institution vergleichen. "Sie müssen wissen, wie die KI in Ihrem Umfeld funktionieren würde", sagte Strand.
- Validierungsplattformen können große Mengen an Daten sammeln. Bislang ist es schwierig, ausreichend große Studienpopulationen zu gewinnen, um Subgruppen und potenzielle Unterschiede nach demografischen Merkmalen (z. B. Altersdichte, ethnische Zugehörigkeit) oder technischen Parametern (Geräte, Softwareversion, Kompressionsverfahren) zu analysieren.
Strand stellte eine Validierungsplattform vor, an der drei schwedische Universitäten beteiligt sind. Er plädiert aber für weitere, internationale Verknüpfungen und unterstützt die Idee, die Daten in den kommenden European Health Data Space 2 einfließen zu lassen.
Referenzen
Bakker MF et al. Supplemental MRI Screening for Women with Extremely Dense Breast Tissue. N Engl J Med. 2019;381(22):2091-102
Hussein H et al. Supplemental Breast Cancer Screening in Women with Dense Breasts and Negative Mammography: A Systematic Review and Meta-Analysis. Radiology 2023;306(3):e221785
Strand F. Using AI to Select Women for Supplemental MRI in Breast Cancer Screening (ScreenTrustMRI).https://clinicaltrials.gov/ct2/show/NCT04832594
