Um für Prostatakrebs verdächtige Bereiche in der Prostata-MRT leichter erkennen zu können, kann Künstliche Intelligenz die Radiologen effektiv unterstützen.
Bei Verdacht auf ein Prostatakrebs hält die Magnetresonanztomographie (MRT) zunehmend Einzug in den diagnostischen Prozess. Denn das Prostata-MRT kann verdächtige Gewebebereiche identifizieren, die gezielt biopsiert werden sollten. Und damit lasst sich Prostatakrebs dann deutlich besser erkennen.
Die Beurteilung der Prostata-MRT-Bilder ist allerdings komplex und erfordert erfahrene Radiologen. Ein Forscherteam konnte jetzt zeigen, dass künstliche Intelligenz verdächtige Bereiche in der Prostata-MRT ähnlich sicher identifiziert wie erfahrene Radiologen. Dementsprechend kann künstliche Intelligenz die Experten auch bei der Beurteilung der Bilder sehr gut unterstützen.
Prostata-MRT
In den letzten Jahren wird die Magnetresonanztomographie (MRT) der Prostata in bestimmten Situationen immer häufiger eingesetzt. Mit dem bildgebenden Verfahren können Ärzte verdächtige Krebsherde aufspüren und anschließend mit Hilfe einer gezielten Biopsie näher untersuchen. Außerdem kann die MRT dabei helfen, solche Patienten zu identifizieren, die keinen klinisch bedeutsamen Tumor haben. Und das kann ihnen dann unnötige Biopsien ersparen.
Die MRT-Bildgebung hat bereits heute die Diagnostik von Prostatakrebs verbessert und wird daher in Zukunft noch häufiger eingesetzt werden. Doch die aufwändige Beurteilung der komplexen MRT-Bilder setzt erfahrene Radiologen voraus, um eine hohe Qualität der Diagnostik zu garantieren. „Es besteht daher dringender Bedarf, die Effizienz bei der Interpretation der Bilder zu steigern“, sagt David Bonekamp, Radiologe am Deutschen Krebsforschungszentrum.
Prostatakrebs im MRT erkennen
Mit dem Ziel, das Potential der künstlichen Intelligenz zur Unterstützung der Radiologen bei der klinischen Befundung von MRT-Bildern zu nutzen und eine hohe Qualität der Befundung zu garantieren, haben sich Radiologen und Informatiker am DKFZ und Urologen vom Universitätsklinikum Heidelberg um Patrick Schelb, David Bonekamp, Heinz-Peter Schlemmer, Simon Kohl, Klaus Maier-Hein, Jan Philipp Radtke und Markus Hohenfellner zusammengetan. Das Team konnte nun zeigen, dass die Erkennungsrate von verdächtigen MRT-Befunden durch künstliche Intelligenz vergleichbar zu der Erkennungsrate durch die Radiologen ist.
Das am DKFZ entwickelte Verfahren basiert auf einem künstlichen neuronalen Netzwerk, das aus vielen Bildern lernt, woran verdächtige Veränderungen erkannt werden können. Dieses Netzwerk wurde zunächst an den MRT-Aufnahmen einer Gruppe von 250 Patienten trainiert. Anschließend evaluierten die Forscher das fertige Modell in einer unabhängigen Gruppe von 62 Patienten, die es während des Trainings nicht gesehen hatte.
Künstliche Intelligenz vs. Radiologen: 92 Prozent vs. 88 Prozent
Das Ergebnis: Die Erkennungsrate von klinisch relevantem Prostatakrebs lag für die künstliche Intelligenz bei 92 Prozent, während die Radiologen 88 Prozent der Patienten erkannten, die an einem klinisch relevanten Tumor erkrankt waren. Von den untersuchten Männern, die tatsächlich krebsfrei waren oder deren Tumoren nicht als behandlungsbedürftig galten, identifizierte die künstliche Intelligenz 47 Prozent korrekt, die Radiologen 50 Prozent. Die Unterschiede waren jedoch statistisch nicht signifikant.
Automatisch erkannte verdächtige Herde zeigten eine gute Übereinstimmung mit klinischen Läsionen, die die Radiologen definiert hatten. Weiterhin stieg die Wahrscheinlichkeit für das Vorliegen eines klinisch relevanten Karzinoms an, wenn sowohl Radiologen als auch das künstliche neuronale Netzwerk einen verdächtigen Befund gemeinsam als suspekt diagnostizierten.
„Die Ergebnisse zeigen uns, dass die künstliche Intelligenz für die klinische Diagnostik großes Potenzial bereithält“, sagt Bonekamp. In einem nächsten Schritt wollen die Heidelberger Forscher und Ärzte diese und ähnliche Methoden weiterentwickeln und in größeren Gruppen von Patienten validieren, sowie in einer prospektiven Studie erproben, um die Tauglichkeit für den Einsatz im klinischen Alltag zu evaluieren.
Literatur:
Patrick Schelb, Simon Kohl, Jan Philipp Radtke, Manuel Wiesenfarth, Philipp Kickingereder. Sebastian Bickelhaupt, Tristan Anselm Kuder, Albrecht Stenzinger, Markus Hohenfellner, Heinz-Peter Schlemmer, Klaus H. Maier-Hein, David Bonekamp. Classification of prostate cancer on MRI: Deep learning vs. clinical PI-RADS assessment. Radiology 2019, DOI: https://doi.org/10.1148/radiol.2019190938
Quelle: Deutsches Krebsforschungszentrum in der Helmholtz-Gemeinschaft
