{{{sourceTextContent.title}}}

System mit künstlicher Intelligenz reduziert falsch-positive Befunde bei der Interpretation von Brust-Ultraschalluntersuchungen

{{{sourceTextContent.subTitle}}}

Zwei wichtige Studien, die von Radiologen und Datenwissenschaftlern am NYU Langone Health Center durchgeführt und auf dem RSNA 2021 vorgestellt wurden, konzentrierten sich auf die Fähigkeit der KI, falsch positive Ergebnisse zu reduzieren

{{{sourceTextContent.description}}}

Die Ergebnisse einer klinischen Studie, bei der künstliche Intelligenz (KI) eingesetzt wurde, um falsch-positive Ergebnisse bei Ultraschalluntersuchungen der Brust zu reduzieren, wurden von Linda Moy, MD, Center for Advanced Imaging Innovation and Research mit dem NYU Langone Health Center for Advanced Imaging Innovation and Research (CAI2R), auf dem RSNA 2021 vorgestellt. Moy, eine führende KI-Expertin in der Radiologie, ist auch Professorin für Radiologie an der NYU Grossman School of Medicine und Mitglied des Perlmutter Cancer Center.

Unter der Leitung von Forschern der Abteilung für Radiologie an der NYU Langone Health und dem Laura and Isaac Perlmutter Cancer Center ist die KI-Analyse des Teams vermutlich die größte ihrer Art.

Neben Moy, der als Co-Investigator der Studie fungierte, wurde die Studie von folgendem Team durchgeführt: Senior Investigator Krzysztof J. Geras, PhD, die Co-Prüfer Yiqiu "Artie" Shen, Farah Shamout und Jamie Oliver; und die Co-Prüfer Jan Witowski, Kawshik Kannan, Jungkyu Park, Nan Wu, Connor Huddleston, Stacey Wolfson, Alexandra Millet, Robin Ehrenpreis, Divya Awal, Cathy Tyma, Naziya Samreen, Yiming Gao, Chloe Chhor, Stacey Gandhi, Cindy Lee, Sheila Kumari- Subaiya, Cindy Leonard, Reyhan Mohammed, Christopher Moczulski, Jaime Altabet, James Babb, Alana Lewin, Beatriu Reig und Laura Heacock.

Die Studie, die in der Fachzeitschrift Nature Communications (24. September 2021) veröffentlicht wurde, wurde von der U.S. National Science Foundation (NSF) unterstützt und bietet diesen Überblick:

Forscher, die an einer von der U.S. National Science Foundation unterstützten Initiative arbeiten, trainierten eine künstliche Intelligenz, um Brustkrebs anhand von Daten aus zuvor durchgeführten Ultraschalluntersuchungen zu erkennen. Das KI-Tool erhöhte die Genauigkeit der Diagnosen erheblich.

"Wenn unsere Bemühungen um den Einsatz von maschinellem Lernen als Triaging-Tool für Ultraschalluntersuchungen erfolgreich sind, könnte Ultraschall ein effektiveres Instrument für das Brustkrebs-Screening werden, insbesondere als Alternative zur Mammographie und für Frauen mit dichtem Brustgewebe", so Moy. "Seine künftigen Auswirkungen auf die Verbesserung der Brustgesundheit von Frauen könnten tiefgreifend sein", fügte sie hinzu. Die Zusammenfassung der Studie ist hier zu finden.

Zusammenfassung:

Ultraschall ist ein wichtiges bildgebendes Verfahren für die Erkennung und Charakterisierung von Brustkrebs. Obwohl sich immer wieder gezeigt hat, dass mit dem Ultraschall mammographisch verborgene Krebsarten entdeckt werden können, wurde festgestellt, dass die Rate der falsch-positiven Befunde hoch ist.

In dieser Arbeit wird ein KI-System vorgestellt, das bei der Erkennung von Brustkrebs in Ultraschallbildern eine Genauigkeit auf Radiologenniveau erreicht.

Die KI wurde auf der Grundlage von 288.767 Untersuchungen, bestehend aus 5.442.907 B-Mode- und Farbdoppler-Bildern, entwickelt und erreicht eine Fläche unter der Receiver Operating Characteristic Curve (AUROC) von 0,976 bei einem Testsatz von 44.755 Untersuchungen. In einer retrospektiven Leserstudie erreicht die KI eine höhere AUROC als der Durchschnitt von zehn zertifizierten Brustradiologen (AUROC: 0,962 KI, 0,924 ± 0,02 Radiologen). Mit Hilfe der KI können die Radiologen ihre Falsch-Positiv-Raten um 37,3 % senken und die Zahl der angeforderten Biopsien um 27,8 % reduzieren, wobei die Sensitivität gleich bleibt. Dies unterstreicht das Potenzial der KI zur Verbesserung der Genauigkeit, Konsistenz und Effizienz der Ultraschalldiagnose der Brust.

Materialien und Methoden - Modell

- Entwicklung eines KI-Systems unter Verwendung eines DCNN, das auf einem Global-Aware Multiple Insurance Classifier trainiert wurde

- Schwach überwachtes Modell, das automatisch bösartige und gutartige Läsionen identifiziert, ohne dass manuelle Anmerkungen von Radiologen erforderlich sind

- Die Pathologie wurde als Referenzstandard verwendet

- Details ib Datenvorverarbeitung, Beschriftung, Annotation und Ground Truth

- Der Datensatz wurde auf Patientenebene in Trainings- (60 %), Validierungs- (10 %) und Testdatenbanken (30 %) aufgeteilt.

NYU-Brust-Ultraschall-Datensatz

- Das KI-System wurde anhand eines internen Datensatzes von 288.767 Ultraschalluntersuchungen mit insgesamt 5.442.907 Bildern trainiert, die zwischen 2012 und 2019 von 143.203 Patienten aufgenommen wurden

- 20 Bildgebungszentren, die Screening- und Diagnose-Ultraschalluntersuchungen durchführen

- 28.914 dieser Untersuchungen waren mit mindestens einem Biopsieverfahren verbunden

- Bei 5 593 dieser Biopsien wurde ein bösartiger Befund erhoben.

Ergebnisse

- Bei einem Testsatz von 44.755 Untersuchungen erreichte das KI-System eine AUC von 0,976 für die Identifizierung von Untersuchungen mit bösartigen Befunden

- Bei den 663 Untersuchungen der Leserstudie erzielte das KI-System eine AUC von 0,962 und übertraf damit den Durchschnitt von zehn Radiologen (0,924 +/- 0,02). p<0,001

- Bei der durchschnittlichen Sensitivität des Radiologen (90,1 %) wies das AI-System eine höhere Spezifität auf (85,6 % vs. 80,7 %, p<0,001)

- Das AI-System empfahl weniger Biopsien (19,8% vs. 24,3%) p<0,001.

Leser-Studie - Hybrid-Modell

- Die Hybridmodelle verbesserten die AUC des Radiologen von 0,929 auf 0,960

- Auf den Sensitivitätsstufen des Radiologen waren die Hybridmodelle:

- Erhöhung der durchschnittlichen Spezifität des Radiologen von 80,7% auf 88,4% (p<0,001)

- Erhöhung des PPV des Radiologen von 27,1 % auf 39,2 % (p<0,001)

- Die Hybridmodelle verringerten die durchschnittliche Biopsierate von 24,3 % auf 17,2 % (p<0,001)

- Die Reduzierung der Biopsien durch die Hybridmodelle entsprach 29,4 % aller empfohlenen Biopsien.

Schlussfolgerung

- Das KI-System erkannte und diagnostizierte Krebs im Brustultraschall mit einer Genauigkeit, die die von erfahrenen, zertifizierten Radiologen übertrifft

- Die KI-Entscheidungshilfe verringerte unnötige Biopsien

- Die hybriden Entscheidungsfindungsmodelle können möglicherweise die Leistung von Brustbildgebungsgeräten verbessern, ohne dass die zusätzlichen Kosten für einen zweiten menschlichen Untersucher anfallen

- Das System könnte zur Unterstützung der Entscheidungsfindung eingesetzt werden, wenn ein Mangel an Radiologen besteht.

In der Schlussfolgerung der Studie geben die Forscher einen Ausblick auf künftige klinische Anwendungen und die Auswirkungen der künstlichen Intelligenz auf die Bemühungen zur Verbesserung der Genauigkeit der Bildgebung bei Brustkrebs.

Darin äußerten sich die Autoren wie folgt zu ihren Ergebnissen

"Abschließend untersuchten wir das Potenzial von KI bei der Bewertung von Untersuchungen in den USA. Wir haben in einer Leserstudie gezeigt, dass Deep-Learning-Modelle, die mit einer ausreichend großen Datenmenge trainiert wurden, in der Lage sind, genauso genaue Diagnosen zu erstellen wie erfahrene Radiologen. Darüber hinaus haben wir gezeigt, dass die Zusammenarbeit zwischen KI und Radiologen deren Spezifität deutlich verbessern kann und 27,8 % der angeforderten Biopsien überflüssig macht. Wir glauben, dass diese Forschung zukünftige Ansätze zur Brustkrebsdiagnose ergänzen könnte. Darüber hinaus könnte der in unserer Arbeit verwendete allgemeine Ansatz, vor allem der Rahmen für schwach überwachte Klassifizierung und Lokalisierung, die Nutzung von Deep Learning bei ähnlichen Aufgaben der medizinischen Bildanalyse ermöglichen."

SIDEBAR:

System der künstlichen Intelligenz für die automatische Einstufung von Brust-Ultraschalluntersuchungen

Es folgt ein klinischer Schnappschuss einer zweiten Studie, die von Linda Moy, MD, während der RSNA 2021-Sitzung vorgestellt wurde: "Breast Imaging: Advanced Breast Ultrasound"

Zu den Autoren gehörten Jamie Oliver, BA, Beatrice Reig, MD, MPH, Yiming Gao, MD, Alan Lewin, MD, Linda Moy, MD, Laura Heacock, MD.

Hypothese: Ein DL-Modell, das darauf trainiert ist, Brust-Ultraschalluntersuchungen als krebsfrei einzustufen, kann die Effizienz und Spezifität von Radiologen verbessern, ohne die Sensitivität zu beeinträchtigen.

Ziel: Training eines KI-Systems zur Triage von Brustuntersuchungen mit dem Ziel, die Zeit der Radiologen auf Untersuchungen mit hohem Malignitätsverdacht zu verlagern.

MATERIALIEN UND METHODEN - DATENSATZ

Das KI-System wurde anhand eines internen Datensatzes von 288.767 Ultraschalluntersuchungen mit insgesamt 5.442.907 Bildern trainiert, die zwischen 2012 und 2019 von 143.203 Patienten aufgenommen wurden.

- 20 Bildgebungszentren, die Screening- und Diagnose-Ultraschalluntersuchungen durchführen

- 28.914 dieser Untersuchungen waren mit mindestens einem Biopsieverfahren verbunden

- 5.593 davon hatten Biopsien mit bösartigen Befunden zur Folge

ERGEBNISSE

- Bei einem Test von 44.755 Untersuchungen erreichte das AI-System eine AUC von 0,96 bei der Identifizierung von Untersuchungen mit bösartigen Läsionen

- Als das Triage-System 3.553 Untersuchungen auswertete, die ursprünglich als B1-RADS 3 eingestuft waren, klassifizierte es 60 %, 70 % und 80 % der Untersuchungen mit den niedrigsten AI-Scores als gutartig, ohne dass ein Malignom übersehen wurde

- AI-System kann die Notwendigkeit von Folgeuntersuchungen durch Bildgebung überflüssig machen

DISKUSSION

- Bei Verwendung einer hohen Empfindlichkeitsschwelle kann unser DL-Modell als eigenständiges System funktionieren

- Triage von 60-80 % der Brust-Ultraschalluntersuchungen aus der Arbeitsliste des Radiologen, mit einer falsch-negativen Rate von 0,008-0,03 %

- Unter Verwendung eines hohen Sensitivitätsschwellenwerts hat unser DL-Modell 978 (2,2 %) Untersuchungen in einen erweiterten Beurteilungsworkflow eingeordnet, mit einem hohen PPV von 69,6 %

KLINISCHE RELEVANZ

- KI-Entscheidungsunterstützung reduzierte unnötige Biopsien und Nachuntersuchungen

- Das System könnte zur Unterstützung der Entscheidungsfindung eingesetzt werden, wenn ein Mangel an Radiologen besteht.