Sonographie von Schilddrüsenknoten: Optimierte Künstliche Intelligenz könnte Zeit sparen

Hintergrund

Mit jährlich 586000 Neudiagnosen ist der Schilddrüsenkrebs weltweit diejenige maligne Neoplasie mit der größten Wachstumsrate. Für Radiologen stellt die Abklärung von Schilddrüsenknoten daher eine Herausforderung dar, die immer mehr Zeit in Anspruch nimmt. Die chinesischen Autoren der aktuellen Studie halten es daher für zwingend notwendig, eine personalisierte Form der künstlichen Intelligenz (KI) in den Entscheidungsprozess von Radiologen mit unterschiedlich großer Erfahrung mit einzubeziehen.

Design

Diagnostische Studie in zwei Teilen mit dem Ziel, die Arbeitsbelastung von Radiologen durch die optimierte Integration von KI im Vergleich zu einer gewöhnlichen KI-assistierten Strategie zu reduzieren, ohne die Ergebnisse zu verschlechtern. Dazu wurden im ersten Teil retrospektiv 1754 Ultraschallaufnahmen von 1048 Patienten mit 1754 Schilddrüsenknoten genutzt, um auf Basis der Arbeit von 10 mehr und weniger erfahrenen Radiologen die KI-assistierte Diagnose zu optimieren.

Im prospektiven Teil der Studie wurden dann 300 Ultraschallbilder von 268 Patienten mit 300 Knoten herangezogen. Mit jeweils 3 anderen erfahrenen Radiologen und Berufsanfängern wurde hier die optimierte Strategie bezüglich der diagnostischen Leistung und der Verringerung der Arbeitslast mit der bisherigen KI-Assistenz zu verglichen.

Bei der traditionellen Strategie wurde den Radiologen eine KI-Assistenz für sämtliche identifizierten Auffälligkeiten in den Bildern angeboten. Bei der optimierten Strategie riet man den Radiologen, lediglich „signifikante“ Auffälligkeiten mit Hilfe der KI zu bewerten – definiert als Merkmale, deren KI-assistierte Auswertung nachweislich das Ergebnis verbessert hatte. Nicht-signifikante Bildmerkmale dagegen überließ man den Radiologen zu Beurteilung ohne KI, weil es für diese Merkmale keine Anhaltspunkte gab, dass die KI-Assistenz die Auswertung verbessern oder beschleunigen würde.

In beiden Teilen der Studie waren die Patienten jeweils durchschnittlich etwa 42 Jahre alt, zu 72 % weiblich und das Verhältnis gutartiger zu maligner Knoten etwa 40 / 60.

Ergebnisse

• Die Merkmale, deren Auswertung durch die KI nicht verbessert wurde, unterschieden sich gemäß der Berufserfahrung der Radiologen. Bei den Anfängern waren dies reine Zysten und fast vollständige zystische Knoten, echofreie sowie schwammartige Knoten, und solche < 5 mm. Bei den erfahrenen Radiologen erwies sich die KI darüber hinaus als nicht hilfreich bei Knoten mit sehr schwachem Echo, solchen die größer als breit waren, gelappt oder irregulär, oder mit extrathyroidaler Ausdehnung. Bei Knoten < 5 mm verbesserte sich jedoch die Performance unter der KI.
• Die durchschnittliche Zeit pro Aufgabe veränderte sich signifikant bei jeweils 2 der 3 Junior- bzw. Seniorradiologen. Während jedoch bei den Junior-Radiologen der zeitliche Aufwand um circa 3,5 Sekunden zunahm, sparten die Senior-Radiologen durchschnittlich etwa 2,5 Sekunden ein.
• Im prospektiven Teil der Studie erzielten die 6 Radiologen eine Sensitivität zwischen 91 und 100 %, bei einer Spezifität von 94 – 98 %. Dabei gab es keine signifikanten Unterscheide zwischen den beiden Strategien.

Klinische Bedeutung

Mit ihrem Studiendesign und der Differenzierung zwischen Radiologen mit unterschiedlich großer Erfahrung adressieren die Forscher häufige Vorbehalte und Bedenken gegenüber dem Einsatz der künstlichen Intelligenz in dieser Indikation. Der Befund lautet, dass die optimierte KI-Strategie in den Händen erfahrener Radiologen die Diagnosezeit bei Schilddrüsenknoten verkürzen könnte, ohne dafür die diagnostische Leistung zu verringen. Für Berufsanfänger wäre demnach eine „traditionelle“ KI mit mehr Hinweisen durch die KI besser geeignet.

Finanzierung: National Nature Science Foundation of China, Guangdong Natural Science Foundation, Sun Yat-sen University.