Computergestützte Diagnose von Brustkrebs
Voraussetzung für eine bessere Überlebensrate bei Brustkrebs sind eine genauere Diagnose und Behandlung im Frühstadium. So könnten Methoden, die maligne Läsionen unter einer Größe von 10 mm erkennen, die Sterblichkeit bei Brustkrebs deutlich reduzieren. Die Detektion nicht massiver Läsionen mittels Magnetresonanztomographie (MRT) birgt jedoch häufig das Risiko falsch-positiver Ergebnisse und damit unnötiger invasiver Eingriffe. Mit den Fortschritten im Bereich künstlicher Intelligenz können nun mit neuen Algorithmen für maschinelles Lernen schwierige Problemstellungen in Sekundenschnelle gelöst werden. Das EU-finanzierte Projekt SmartMammaCAD sollte mit maschinellem Lernen die diagnostische Leistung einer DCE-MRT (dynamische Kontrastverstärkung) verbessern. „Wir wollten ein neues automatisiertes System entwickeln, das Radiologen bei der Brustkrebsdiagnose unterstützt“, erklärt Projektkoordinator und Marie Skłodowska-Curie-Stipendiat Dr. Ignacio Álvarez. Maschinelles Lernen für bessere MRT-Diagnostik Nicht massiver Läsionen sind im Erscheinungsbild heterogen, mit sehr unterschiedlichen kinetischen Eigenschaften und typischen morphologischen Parametern. Zudem überschneidet sich das dynamische Verhalten dieser Läsionen mit physiologischem Gewebe, was die MRT-Diagnose erschwert. Um die diagnostische Genauigkeit und Effizienz im Zusammenhang mit Brustkrebsläsionen zu verbessern, verwendeten die Forscher neue Algorithmen für maschinelles Lernen und Signalverarbeitung. Im Rahmen einer multidisziplinären Koordination und Zusammenarbeit erstellte SmartMammaCAD einen Datensatz mit Hunderten medizinischer 3D-Aufnahmen von realen Patienten und jeweiligen Vermerken der Radiologen zu den Läsionen. Anhand der aus den Aufnahmen extrahierten spezifischen Informationen wurde das System dann für die Detektion nicht massiver Läsionen trainiert. Die neuen Algorithmen vereinfachen die automatische Erkennung wandähnlicher Strukturen mittels medizinischer Bildgebung, da dynamische Signale des Brustgewebes von Störgeräuschen hinter der Brustwand isoliert werden. Dieser integrale Bestandteil der SmartMammaCAD-Software ermöglicht eine korrekte Segmentierung und Unterscheidung zwischen Brustgewebe und anderen Organen. Mit weiteren Techniken der Bewegungskompensation gelang es, den Einfluss von Störsignalen durch Rauschen und Fehlausrichtungen auf relevante Signale zu reduzieren. Dr. Ramírez zufolge ist „der wichtigste Erfolg dieses Projekts die Entdeckung, dass sich anhand des dynamischen Verhaltens von Gewebe die Klassifizierung nicht massiver Läsionen verbessern lässt.“ Während bestimmte Informationen über Läsionen wie Form, Grenzen und Größe schwerer definierbar sind, lassen sich nicht massive Läsionen anhand ihres dynamischen Verhaltens von gesundem Gewebe unterscheiden. Zukunft computergestützter Brustkrebsdiagnose Insgesamt wird das System SmartMammaCAD der Gesundheit europäischer Bürger zugute kommen, da es lebensbedrohliche Krankheiten wie Brustkrebs schneller und einfacher diagnostizieren kann. Der wichtigste Vorteil der CAD-Brustkrebsdiagnostik ist, dass Biopsien zahlenmäßig reduziert werden können. „Obwohl schwer einschätzbar ist, inwieweit ein CAD-System den Kampf gegen Brustkrebs auf lange Sicht unterstützen wird, stärkt ein zuverlässiges System mit hoher Spezifität natürlich das Vertrauen in die Diagnostik“, erklärt Dr. Ramírez. Die von SmartMammaCAD konzipierte Methode zur Reduzierung falsch-positiver Ergebnisse verbessert die Empfindlichkeit und Spezifität der Erkennung nicht massiver Läsionen um bis zu 20 %. Die Partner gehen davon aus, so das Vertrauen von Radiologen in die CAD-Technologie wiederherstellen zu können. Da die Brustdichte zunehmend als wichtiger Risikofaktor bei Brustkrebs gesehen wird, planen die Partner von SmartMammaCAD, die Brustsegmentierung ihres Systems effizienter zu machen, und zudem das System so zu erweitern, dass Daten anderer Bildgebungsmodalitäten integriert werden können, um die Detektion und Klassifizierung zu verbessern.
Schlüsselbegriffe
SmartMammaCAD, Brustkrebs, nicht massive Läsionen, computergestützte Diagnose (CAD), maschinelles Lernen, dynamische Kontrastverstärkung (DCE)
