In einer aktuellen Studie unter der Leitung von Dr. Ke-Da Yu vom Fudan University Shanghai Cancer Center wurde ein neuartiger Deep-Learning-Ansatz entwickelt, der Mikroverkalkungen automatisch über verschiedene Geräte und Patientengruppen hinweg erkennt und klassifiziert – und so für Genauigkeit und Konsistenz im Brustkrebs-Screening sorgt.
„Mikroverkalkungen können nur wenige Pixel groß sein. Sie im normalen Gewebe zu entdecken, ist daher wie die Suche nach der Nadel im Heuhaufen“, erklärt Dr. Yu. „Wir wollten ein System, das sich an jede Mammographie anpasst und keine Frühwarnzeichen übersieht.“
Die Innovation des Teams basiert auf zwei wesentlichen Fortschritten:
- Adaptive, mehrskalige Erkennung: Durch die Integration eines schnelleren, regionsbasierten Convolutional Neural Network-Modells (R-CNN) mit einem Feature-Pyramid-Netzwerk (FPN) verschmilzt die Pipeline Features mit mehreren Auflösungen und ermöglicht so die Lokalisierung sowohl grober Cluster als auch einzelner Flecken ohne manuell angepasste Schwellenwerte.
- Robustes Training an mehreren Zentren: Das System wurde anhand von 4.810 durch Biopsie bestätigten Mammogrammen (6.663 Läsionen, gleichmäßig aufgeteilt zwischen gutartig und bösartig) aus drei Krankenhäusern trainiert und standardisiert jedes Bild automatisch, sodass es nahtlos über verschiedene Scanner und in verschiedenen klinischen Umgebungen hinweg funktioniert.
In Blindtests verarbeitete die Pipeline jedes Mammogramm und erreichte eine Gesamtgenauigkeit von etwa 75 % auf der Ebene der Mikroverkalkungsläsionen, eine Sensitivität von 76 % für bösartige Läsionen und eine Genauigkeit von etwa 72 % auf Brustebene.
„Diese Lösung kann direkt auf Standard-Radiologie-Workstations eingesetzt werden“, fügt Dr. Yu hinzu. „Durch die Vormarkierung verdächtiger Bereiche auf jedem Mammogramm können sich Radiologen schnell auf Problembereiche konzentrieren. Dadurch werden sowohl Fehldiagnosen als auch unnötige Biopsien deutlich reduziert – was die Beschwerden der Patientinnen lindert und die Gesundheitskosten senkt.“
Das Forschungsteam hat den Code als Open Source freigegeben und konzentriert sich in den nächsten Schritten auf die Integration des Systems in klinische Arbeitsabläufe mit dem Ziel, ein zuverlässiges KI-gesteuertes Tool für ein umfassenderes Brustkrebs-Screening anzubieten.
DOI
Ursprüngliche Quell-URL
https://doi.org/10.1016/j.fmre.2023.04.018
