Analysen mit Radiomics
Radiomics, die quantitative Analyse großer Mengen von Bildgebungsdaten, liefert heute schon zuverlässige Daten zur Überlebensprognose und Diagnose.
-
Präsentationstag:19.01.2018 0 Kommentare
-
Autor:biho/ktg
-
Sprecher:Michael Ingrisch, Klinikum der Universität München
-
Quelle:10. Internationales CT Symposium
Hinter dem Begriff Radiomics steckt die Auswertung vieler Informationen zur Pathophysiologie detektierter Läsionen aus großen Bilddatenmengen. Die Daten lassen beispielsweise Rückschlüsse auf die Überlebenszeit von PatientInnen zu. Michael Ingrisch, Kinikum der Universität München gewährte einen Einblick in die Zukunft der Radiologie.
Maschinelles Lernen: Test, Training, Validierung, Prognose
Ingrisch verwies als anschauliches Beispiel für maschinelles Lernen auf eine Arbeit einer niederländisch-amerikanischen Studie (Aerts HJWL et al., 2014), die die Technik auf nicht-kleinzellige Lungenkarzinome (NSCLC) anwandte. Die Autoren charakterisierten Tumoren eindeutig nach Größe, Form, Volumen, Intensität, Textur und weiteren quantifizierbaren Eigenschaften. Sie erhielten 440 Eigenschaften unterschiedlicher Gewichtung, die sie mit histologischen Ergebnissen von 422 Patienten korrelierten. Die statistisch überzeugendsten hundert Eigenschaften fassten Aerts et al. zu einer radiomischen Signatur für NSCLC zusammen. Sie diente als Training für die Validierung der Methode. Die maschinengestützte Diagnose einer neuen NSCLC-Patientenkohorte prognostizierte das Überleben der Patienten mit gutem Ergebnis. „Daraufhin testeten die Autoren die radiomische Signatur auf eine ganz andere Art Tumoren“, sagte Ingrisch. Die prognostischen Aussagen für zwei verschiedene Patientenkohorten mit Kopf-Halstumoren (HNSCC) erzielten sogar sehr gute Ergebnisse.
Deep Learning: Selbstständiges Lernen
„Deep Learning geht noch einen Schritt weiter als maschinelles Lernen“, erklärte Ingrisch. „Hier erkennt das System selbst die wichtigsten Eigenschaften bestimmter Krankheitsbilder aus sehr großen Bilddatenmengen.“
Ein Team von Computerwissenschaftlern aus Stanford präsentierte dazu ein bemerkenswertes Ergebnis. Sie brachten einer Maschine bei, aus über 100.000 öffentlich zugänglichen Röntgenthorax-Aufnahmen eine Pneumonie zu erkennen. Die Algorithmen arbeiteten genauer als vier RadiologInnen zusammen (https://arxiv.org/abs/1711.05225). Der geschärfte Blick eines Radiologen auf die von der Maschine als wichtig eingestuften Charakteristika für eine Pneumonie zeigte allerdings Verblüffendes: Viele der Eigenschaften waren nicht eindeutig klinisch relevant. „Die Vorhersage funktionierte für die Gesamtheit aller Eigenschaften trotzdem besser als es der Mensch gekonnt hätte“, so Ingrisch.
Fazit und Diskussion
Die mit Radiomics bisher erzielten Vorhersagen zeigen, wie die große Datenanalyse die Zukunft der Radiologie beeinflussen wird. Bisher befinden sich die Systeme jedoch noch in einer experimentellen Phase und dürfen noch nicht für die Diagnose genutzt werden.„Die abschließende Qualitätskontrolle bleibt dem Radiologen vorgehalten“, so Ingrisch.
Auf die Frage, ob man in den Niederlanden vielleicht schon weiter im Validierungsprozess gekommen sei, antwortete Frau Cornelia Schaefer-Prokop, Meander Medical Centre, Amersfoort in den Niederlanden: „Nicht wirklich. Wir merken, die Computer können immer mehr. Gleichzeitig ist die psychologische Barriere bei den Radiologen aber noch sehr hoch.“
