Diagnose des Schilddrüsenkrebs: Radiologen bekommen Konkurrenz vom Computer


  • Michael Simm
  • Studien – kurz & knapp
Der Zugang zum gesamten Inhalt dieser Seite ist nur Angehörigen medizinischer Fachkreise vorbehalten. Der Zugang zum gesamten Inhalt dieser Seite ist nur Angehörigen medizinischer Fachkreise vorbehalten.

Kernbotschaften

Bei der Auswertung sonographischer Bilder zur Diagnose des Schilddrüsenkrebs hat sich ein von chinesischen Wissenschaftlern entwickeltes neuronales Netzwerk gegenüber erfahrenen Radiologen als überlegen erwiesen.

Hintergrund

Mit der zunehmenden Verbreitung immer empfindlicherer Verfahren zur Bildgebung sind beim Schilddrüsenkrebs auch Überdiagnosen und unnötige Behandlungen häufiger geworden. Hier hat man untersucht, ob die Auswertung von Sonografien mithilfe eines, von biologischen Prozessen inspirierten sogenannten tiefen faltenden neuronalen Netzwerkes (Deep Convolutional Neural Network, DCNN) die Trennschärfe verbessern kann.

Design

Retrospektive Studie zur Diagnose des Schilddrüsenkrebs mithilfe eines DCNN anhand von 131.731 Ultraschallaufnahmen von 17.627 Patienten und 180.668 Bildern von 25.325 Kontrollen, die am Tianjin Cancer Hospital gewonnen wurden. Zunächst erstellten 16 Radiologen dafür einen Trainingsdatensatz mit den Bildern von pathologisch bestätigten Fällen von Schilddrüsenkrebs, die dann mit einem internen und zwei externen Datensätzen in Jilin und Weihai bestätigt wurden.

Hauptergebnisse

  • Die Zuverlässigkeit der Vorhersagen wurde anhand der Validierungssets mit Berechnungen zur Grenzwertoptimierungskurve (ROC) bzw. der damit definierten Fläche unter der Kurve ermittelt. Diese Werte, die maximal 1,0 annehmen können, betrugen für den internen Datensatz 0,947, und für die beiden externen Datensätze 0,912 bzw. 0,908.
  • Bei der internen Validation betrug die Sensitivität des DCNN 93,4 % und die Spezifität 86,1 %, wogegen die Radiologen zwar 96,9 Sensitivität erreichten, die Spezifität aber nur 59,4 % betrug.
  • Für die beiden externen Validierungssets betrugen die Werte des DCNN bzw der Radiologen:
    • In Jilin: Sensitivität 84,3 % versus 92,9 %; Spezifität 86,9 versus 57,1 %
    • In Weihai: Sensitivität 84,7 % versus 89,0 %; Spezifität 87,8 versus 68,6 %

Klinische Bedeutung

Zwar war das neurale Netzwerk geringfügig schlechter darin, tatsächlich an Schilddrüsenkrebs erkrankte Patienten zu identifizieren, es war aber klar überlegen darin, Patienten ohne Schilddrüsenkrebs korrekt zu erkennen. Die Autoren gehen daher davon aus, dass ihr Modell mit seiner jetzt schon überlegenen Performance weiterentwickelt und bei prospektiven Studien zum Einsatz kommen sollte. Eine Webseite mit freiem Zugang sei in Arbeit.

Finanzierung: Program for Changjiang Scholars and Innovative Research Team in University (China); National Natural Science Foundation (China).