Blog

Nov 02, 2023

Die Verwendung von KI mit früheren LDCT-Untersuchungen verbessert die Risikobewertung von Lungenknoten

3. August 2023 – Ein Deep-Learning-Algorithmus, der Informationen aus früheren Low-Dose-CT-Untersuchungen (LDCT) einbezieht, ist für die Abschätzung des Drei-Jahres-Malignitätsrisikos von Lungenknötchen effektiver als

3. August 2023 – Forscher haben herausgefunden, dass ein Deep-Learning-Algorithmus, der Informationen aus früheren Low-Dose-CT-Untersuchungen (LDCT) einbezieht, für die Abschätzung des Drei-Jahres-Malignitätsrisikos von Lungenknötchen effektiver ist als Modelle, die nur eine einzige CT-Untersuchung verwenden .

Die Studienergebnisse unterstreichen, wie das Hinzufügen von KI zu Bilddaten Radiologen dabei helfen kann, im LDCT gefundene Lungenknoten besser zu charakterisieren – eine Aufgabe, die laut einem Team unter der Leitung von Kiran Venkadesh vom Radboud University Medical Center in Nijmegen, Niederlande, schwierig sein kann. Die Forschungsergebnisse der Gruppe wurden am 1. August in Radiology veröffentlicht.

„[Es] ist für Radiologen eine Herausforderung, potenziell bösartige Knötchen zu identifizieren und zu überwachen“, schrieb die Gruppe. „Obwohl es Leitlinien für die Behandlung von Lungenknötchen gibt, bleibt eine genaue Charakterisierung mühsam und unterliegt der Variabilität zwischen und innerhalb von Lesern … Künstliche Intelligenz unter Einsatz von Deep Learning hat vielversprechende Ergebnisse für die genaue Abschätzung des Malignitätsrisikos von Lungenknötchen gezeigt, insbesondere im Vergleich zur histopathologischen Analyse.“ basierende Referenzstandards.

Lungenkrebs verursacht weltweit die meisten krebsbedingten Todesfälle, und eine frühzeitige Diagnose durch regelmäßige LDCT-Screenings ist der Schlüssel zur Verbesserung der Patientenergebnisse, erklärte das Team. Da die LDCT jedoch gutartige Lungenknötchen erkennen kann, ist es wichtig, Instrumente zu entwickeln, die Ärzten dabei helfen können, diese besser zu charakterisieren. Laut Venkadesh und Kollegen sind KI-Algorithmen in dieser Hinsicht vielversprechend.

Die Forscher bewerteten die Leistung eines Deep-Learning-Algorithmus, der frühere LDCT-Untersuchungsinformationen einbezieht, und verglichen diese Kombination mit einem Deep-Learning-Algorithmus plus einer einzelnen LDCT-Untersuchung und dem Pan-Canadian Early Lung Cancer Detection Study (PanCan)-Modell (PanCan ist ein (Studie, die einen Risikovorhersagealgorithmus verwendet, um die Kostenwirksamkeit des Lungenkrebs-Screenings zu bewerten).

Der Trainingssatz des Deep-Learning-Algorithmus bestand aus 10.508 Knötchen (davon 422 bösartig oder 4 %) bei 4.902 Studienteilnehmern; Die Trainingsdaten stammen aus dem National Lung Screening Trial (NLST). Zwei Testsätze bestanden aus 129 Knötchen (davon 43 bösartig, bzw. 33 %) und 126 Knötchen (davon 42 bösartig, ebenfalls 33 %); Diese Daten stammen aus der Danish Lung Cancer Screening Trial (DLCST) und der Multicentric Italian Lung Detection (MILD) Trial.

Der Deep-Learning-Algorithmus, der frühere LDCT-Untersuchungsdaten einbezog, übertraf sowohl den Algorithmus plus einer einzelnen LDCT-Untersuchung als auch das PanCan-Modell, berichtete das Team.

Die Studie leiste einen wertvollen Beitrag zur aktuellen Literatur, schrieben Carolyn Horst, PhD, vom King's College London im Vereinigten Königreich, und ihre Kollegin Mizuki Nishino, MD, vom Brigham and Women's Cancer Center in Boston in einem begleitenden Kommentar.

„Die von Venkadesh et al. veröffentlichte Forschung ist der erste Schritt beim Einsatz künstlicher Intelligenz in der Längsschnittbildgebung im Bereich der Lungenkrebsvorsorge und ebnet den Weg für die Integration von künstlicher Intelligenz und serieller Bildgebung, um sowohl für Teilnehmer als auch für Vorsorgeprogramme bessere Ergebnisse zu erzielen.“ Sie schrieben.

Die vollständige Studie finden Sie hier.