Erkennung von Lungenkrebs: künstliche Intelligenz besser als Radiologen

  • Ardila D & al.
  • Nat Med
  • 01.06.2019

  • von Deepa Koli
  • Univadis Clinical Summaries
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.

Erkenntnis

  • Ein Deep-Learning-Modell mit künstlicher Intelligenz erkannte Lungenkrebs in CT(Computertomografie)-Scans des Thorax mit niedriger Dosis mit einer Leistung, die der von Radiologen entsprach oder diese übertraf.

Warum das wichtig ist

  • Bei klinischer Validierung kann dieses Modell die Genauigkeit verbessern und das Screening optimieren.

Wesentliche Höhepunkte

  • Der Deep-Learning-Algorithmus bestand aus 3 Hauptkomponenten:
    • ein Modell, das das Gesamt-CT-Volumen mit Krebs analysierte,
    • ein Erkennungsmodell für verdächtige Regionen von Interesse und
    • ein unabhängiges Risikoprognosemodell, das bei Verfügbarkeit auch frühere Scans berücksichtigte.
  • Der Datensatz aus der Studie National Lung Cancer Screening Trial (NLST) wurde für die Entwicklung des Modells verwendet (n = 14.851; 578 Patienten mit einem durch Biopsie bestätigten Lungenkrebs).
    • Im Testdatensatz (n = 6.716 Fälle; 86 Krebsfälle) erreichte das Modell einen AUC(Area under the Curve)-Wert von 94,4 %.
  • 6 Radiologen überprüften ein Subset des NLST-Testdatensatzes (n = 507; 83 Fälle von Krebs):
    • Wenn CT-Volumen von nur einem aktuellen Jahr verwendet wurden, erreichte das Modell einen AUC-Wert von 95,9 % mit einer dem durchschnittlichen Radiologen überlegenen Sensitivität und Spezifität.
    • Bei Verwendung von CT-Volumen sowohl des aktuellen Jahres als auch früherer Jahre betrug der AUC-Wert des Modells 92,6 %, und die durchschnittliche Sensitivität und Spezifität entsprach dem eines durchschnittlichen Auswerters.
  • In einer unabhängigen Kohorte (n = 1.739; 27 Fälle von Krebs) betrug der AUC-Wert des Modells 95,5 % mit einer Sensitivität und Spezifität von 81,5 % bzw. 89,3 % für die Auswertung von Lungenscans und einer Datensystemkategorie ≥ 3 Knoten.