US-Studie

KI verbessert Screening auf Lungenkrebs

Künstliche Intelligenz – basierend auf deep learning – übertrifft offenbar Radiologen bei der Befundung von CT-Bildern zum Lungenkrebs-Screening.

Veröffentlicht:
Mensch und Computer im Wettstreit: In einer Untersuchung hatten bei Lungenkrebs Algorithmen die Nase vorn

Mensch und Computer im Wettstreit: In einer Untersuchung hatten bei Lungenkrebs Algorithmen die Nase vorn

© metamorworks / Getty Images / iStock

MOUNTAIN VIEW. Werden Menschen mit hohem Lungenkrebs-Risiko mit Niedrigdosis-CT gescreent, lässt sich die Mortalität um 20 bis 43 Prozent reduzieren, berichten Forscher um Daniel Tse vom Unternehmen Google in Kalifornien und von der Northwestern University im US-Staat Illinois. Das Verfahren sei in den USA daher in die Leitlinien zur Lungenkrebs-Prävention aufgenommen worden.

Die Wissenschaftler haben jetzt untersucht, ob die CT-Schichtbilder auch mit Künstlicher Intelligenz (KI), basierend auf deep-learning-Algorithmen, ausgewertet werden könnten und ob eine solche KI eine Alternative zur Befundung durch Radiologen wäre.

Zunächst haben sie dazu die Computer-Software trainiert, und zwar mit 42.290 CT-Bildern von 14.851  Patienten. Von diesen hatten 578 im Jahr nach der Untersuchung ein biopsie-bestätigtes Malignom entwickelt (Nature Med. 2019, online 20. Mai). Das KI-System bekam dabei nur Informationen, welche Patienten an Krebs erkrankt waren und welche nicht. Danach wurden unter anderen 6716 CT-Bilder (86 krebs-positiv) sowohl mit KI als auch von sechs Radiologen befundet.

Ergebnis: Die KI war Radiologen bei der Befundung einzelner CT-Scans überlegen und ähnlich Effektiv wie ein Arzt bei multiplen Scans. Insgesamt ließ sich mit KI die Rate richtig-positiver Befunde um fünf Prozentpunkte steigern und die falsch-positiver Befunde um elf Prozentpunkte reduzieren. Mit KI ließen sich also Genauigkeit, Konsistenz und Akzeptanz des Lungenkrebs-Screenings verbessern, so die Forscher. (eis)

Was ist deep learning?

Basis sind künstliche neuronale Netzwerke und große Datenmengen, die es Maschinen erlauben sollen, eine Aufgabe "selbstständig" zu erledigen. Das einfachste Netzwerk ist ein Programm bestehend aus einer Eingabeschicht, einer Zwischenschicht und einer Ausgabeschicht zur Verknüpfung der vorhandenen Daten und Informationsmuster.

Je mehr Schichten zwischen Eingabe und Ausgabe die Signale "filtern", und um so mehr Daten und Beispiele eingespeist und die Ergebnisse nachjustiert werden (Training), umso komplexere Aufgaben kann schließlich ein künstliches neuronales Netzwerk übernehmen.

Wenn ein System aus den Beispielen lernt, Muster zu erkennen, immer wieder mit neuen Inhalten zu verknüpfen und passende Lösungen auszugeben, spricht man auch von deep learning.

Mehr zum Thema

Zulassung erweitert

Neue Option mit Atezolizumab bei Lungenkrebs

DGIM-Kongress

Screening auf Lungenkrebs: Start noch in diesem Jahr?

Das könnte Sie auch interessieren
Die Ära der Immunonkologie: bessere Chancen für Krebspatienten

Immunonkologie mit dem Schwerpunkt Biomarker

Die Ära der Immunonkologie: bessere Chancen für Krebspatienten

Anzeige | Bristol-Myers Squibb GmbH & Co. KGaA
Prädiktion in der Immunonkologie mit Biomarkern

Immunonkologie mit dem Schwerpunkt Biomarker

Prädiktion in der Immunonkologie mit Biomarkern

Anzeige | Bristol-Myers Squibb GmbH & Co. KGaA
OH-Ton – Trifft den Ton in der Onkologie & Hämatologie

CAR-T-Zelltherapie

OH-Ton – Trifft den Ton in der Onkologie & Hämatologie

Anzeige | Bristol-Myers Squibb GmbH & Co. KGaA
Management tumorassoziierter VTE

CME-Fortbildung

Management tumorassoziierter VTE

Anzeige | Leo Pharma GmbH
CAT bei „3G“-Tumoren richtig managen

Empfehlungen

CAT bei „3G“-Tumoren richtig managen

Anzeige | Leo Pharma GmbH
Kommentare
Veröffentlichte Meinungsäußerungen entsprechen nicht zwangsläufig der Meinung und Haltung der Ärzte Zeitung.
Dr. Thomas Georg Schätzler

Es ist ein weiter Weg vom Deep Learning zur Künstlichen Intelligenz (KI)

Wenn ein Low-Dose-CT-Screening die Sterblichkeit an Bronchial­karzinomen bei langjährigen Rauchern senken kann, macht die Hinzuziehung eines "Deep Learning" Programms als Vorstufe von künstlicher Intelligenz (KI) durchaus Sinn.

Die Frage bleibt aber offen, wer oder "was" stellt denn eigentlich die Indikation zum Thorax-CT? Welche Altersgruppen, Komorbiditäten, Risikofaktoren usw. werden berücksichtigt?

Wie werden nicht-neoplastische Parallelbefunde wie Silikose, Sarkoidose, TBC, Narben, Lymphknoten, Atelektasen und sonstige Atemwegserkrankungen beurteilt?

Beim Vergleich mit früheren Thorax-CT- Aufnahmen verschlechterte sich
zwar die Sensitivität geringfügig auf 87,5 % mit der Deep Learning Software und 86,7 % bei den Radiologen. Die Spezifität verbesserte sich aber mit der Software auf 84,2 %, bei den Radiologen auf 83,7 %.
Somit waren beide, Mensch und Maschine, in diesem abschließenden Vergleich fast gleichauf.

Mf + kG, Dr. med. Thomas G. Schätzler, FAfAM Dortmund


Sie müssen angemeldet sein, um einen Kommentar verfassen zu können.
Die Newsletter der Ärzte Zeitung

Lesen Sie alles wichtige aus den Bereichen Medizin, Gesundheitspolitik und Praxis und Wirtschaft.

Nachmittags: das schnelle Telegramm. Am Morgen: Ihr individuell zusammengestellter Themenmix.

Newsletter bestellen »

Vorteile des Logins

Über unser kostenloses Login erhalten Ärzte, Medizinstudenten, MFA und weitere Personengruppen viele Vorteile.

Die Anmeldung ist mit wenigen Klicks erledigt.

Jetzt anmelden / registrieren »

Top-Meldungen
Welchen Plan hat die Politik zum Krisenmanagement der Corona-Pandemie? Manches wirkte eher planlos in den vergangenen 12 Monaten.

Symposion der Kaiserin-Friedrich-Stiftung

Krisenbewältigung in der Corona-Pandemie – besser als ihr Ruf?