Ein neues, auf Convolutional Neural Networks (CNN) basierendes System erreicht bei der automatischen Erkennung und Klassifikation pulmonaler Knoten in CT-Aufnahmen hohe Leistungswerte. Das berichtet eine retrospektive Studie aus der LIDC-IDRI-Datenbank, die kürzlich im Journal Exploratory Research and Hypothesis in Medicine erschienen ist.
Das Verfahren wurde an 82 Patienten mit insgesamt 10.496 CT-Schichten getestet. Es umfasst fünf Hauptschritte: Bildvorverarbeitung, Segmentierung des Lungenparenchyms mittels Otsu-Schwellenwert und morphologischer Operationen, Detektion von Knotenkandidaten, Merkmalsextraktion und Klassifikation durch ein CNN mit zwei Faltungsschichten (20 und 30 Filter, 3×3-Kernel), ReLU-Aktivierung, Max-Pooling und Softmax-Ausgabeschicht. Das Netz wurde über 50 Epochen mit Mini-Batches von 32 trainiert (Stochastic Gradient Descent mit Momentum, Lernrate 0,001, Momentum 0,9).
Auf dem LIDC-IDRI-Datensatz erreichte das Modell eine Sensitivität von 98,7 Prozent, eine Spezifität von 97,5 Prozent, eine Präzision von 97,9 Prozent und eine Genauigkeit von 98,4 Prozent. Es klassifizierte Knoten zuverlässig als benigne oder maligne und zeigte zudem gute Unterscheidung zwischen soliden, partiell und vollständig milchglasartigen Knoten. Im Vergleich zu hybriden CNN-LSTM- oder ResNet-basierten Ansätzen bot das Modell vergleichbare Leistung bei geringerer Rechenkomplexität.
Die Autoren sehen in den Ergebnissen den Nachweis für die Machbarkeit und Robustheit von Deep Learning bei der automatischen Lungenknoten-Erkennung und -Klassifikation. Lungenkrebs bleibt weltweit die häufigste krebsbedingte Todesursache; eine frühe Detektion pulmonaler Knoten ist entscheidend für rechtzeitige Diagnose und Therapie. Herkömmliche computergestützte Systeme weisen oft hohe Falsch-positiv-Raten und geringe Sensitivität auf.
Einschränkungen der Studie sind die Validierung auf nur einer Datenbank sowie die relativ kleine Trainingsmenge. Künftige Arbeiten sollen das Modell auf weiteren Datensätzen (etwa ELCAP, NELSON) prüfen und die Multi-Klassen-Klassifikation optimieren, um die Generalisierbarkeit und klinische Anwendbarkeit zu verbessern.
Die vollständige Studie ist unter dem Titel „Enhanced pulmonary nodule detection and classification using artificial intelligence on LIDC-IDRI data“ frei zugänglich unter https://www.xiahepublishing.com/2472-0712/ERHM-2025-00032.
