Künstliche Intelligenz hilft bei der Diagnose Unterscheidung von Hirntumoren mit Deep Learning und Radiomics

Anbieter zum Thema

Sinequa

Die wichtige Differenzierung von Primärtumoren und Metastasen kann bei Hirntumoren rasch und präzise mittels Radiomics und Deep-Learning-Algorithmen erfolgen. Dies ist die Kernaussage einer Studie der Karl Landsteiner Privatuniversität für Gesundheitswissenschaften (KL Krems).

Laut der in der Fachpublikation „Metabolites“ veröffentlichten Studie bieten auf Magnetresonanz basierende radiologische Daten des Sauerstoff-Stoffwechsels von Tumoren eine hervorragende Grundlage für die Unterscheidung mithilfe von neuronalen Netzwerken. Diese Kombination von sogenannten „Oxygen Metabolic Radiomics“ mit Analysen durch spezielle kKnstliche Intelligenz sei dabei den Auswertungen durch menschliche Expertinnen und Experten in allen wesentlichen Kriterien deutlich überlegen gewesen. Dies sei umso beeindruckender, als wesentliche Sauerstoffwerte zwischen den Tumorarten nicht maßgeblich voneinander abwichen – und neuronale Netzwerke auf deren Grundlage dennoch eindeutige Unterscheidungen vornehmen konnten, so die Studie.

Glioblastome (ein Primärtumor) und Hirnmetastasen seien die häufigsten Arten von Hirntumoren bei Erwachsenen. Ihre Behandlung müsse grundsätzlich unterschiedlich erfolgen, und eine rasche und klare Diagnose beeinflusse daher den klinischen Erfolg. Tatsächlich jedoch sei ihre Differenzierung schwierig, da sie sich in klassischen Magnetresonanz-Aufnahmen (MR) kaum unterscheiden würden. Anders sei es bei sogenannter physio-metabolischer MR, die Stoffwechselvorgänge im Tumorgewebe erfassen könne. Diese jedoch liefere so große Datenmengen, dass ein Einsatz in der Routinediagnostik Auswertungen durch Künstliche Intelligenz erforderlich machen würde. Deren Zuverlässigkeit habe nun ein Team um Prof. Andreas Stadlbauer von der KL Krems demonstriert: anhand eines eigens entwickelten Deep-Learning-Algorithmus und MR-basierten Daten zum O₂-Stoffwechsel der beiden Tumorarten.

Maschine und Mensch

„Tatsächlich gelang es mit unserem Ansatz, bessere Unterscheidungen der Tumorarten zu erreichen als menschliche Expertinnen und Experten das im Vergleich erzielen konnten“, fasst Prof. Stadlbauer die Ergebnisse der internationalen Studie zusammen. Der Medizinphysiker am Zentralinstitut für medizinische Radiologie-Diagnostik des Universitätsklinikums St. Pölten, Lehr- und Forschungsstandort der KL Krems, führt dazu weiter aus: „In allen wichtigen Unterscheidungskriterien wie Genauigkeit, Sensitivität, Spezifität und Präzision war die Auswertung der MR-basierten Sauerstoffdaten durch unser spezielles neuronales Netzwerk den Radiologinnen und Radiologen überlegen. Auch bei statistischen Auswertungen wie den F-Werten und dem AUROC war diese Methode besser als die menschlichen Auswertungen.“

Grundlage der Messungen sei dabei ein vom Team eigens entwickeltes Convolutional Neural Network (CNN) gewesen. Dies sei eine Sonderform eines künstlichen neuronalen Netzes, das speziell für maschinelles Lernen und die Verarbeitung von Bild- oder Audiodaten konzipiert werde und Teile biologischer Vorgänge nachempfinden könne. Im Rahmen der Studie sei das CNN dann mittels Tumordaten der umfangreichen Datenbank am Universitätsklinikum St. Pölten trainiert und anschließend zur Analyse von MR-basierten Sauerstoffwerten von neuen Patientinnen und Patienten eingesetzt worden.

Klare Unterscheidung bei wenig Unterschied

Die Sauerstoffwerte, die man im Rahmen der Studie erhoben habe, waren u. a. der zerebrale Sauerstoffumsatz (CMRO2) sowie die mitochondrialen Sauerstoffsättigung (mitoPO2), die Auskunft über den zellulären Energieumsatz gebe. „Interessanterweise“, so Prof. Stadlbauer, „wichen weder der Mittelwert noch der Median dieser beiden Parameter zwischen den beiden Tumorarten wesentlich voneinander ab – aber dennoch gelang unserem CNN eine klare Differenzierung beider Tumorarten.“

Die Studie zeige das große diagnostische Potenzial, das in der Kombination beider Methoden steckt. Tatsächlich aber kämen radiologische Daten des O₂-Stoffwechsels im klinischen Alltag noch erst sehr begrenzt zum Einsatz. Prof. Stadlbauer und sein Team möchten dies ändern und planen daher bereits eine umfangreichere Studie, die die jetzt erhobenen Daten nicht nur bestätigen soll, sondern auch Methoden einsetzen werde, die noch enger an der klinischen Routine seien. Dazu Prof. Stadlbauer: „In der jetzigen Studie waren zur Vorbereitung der Datenanalyse noch einige manuelle Schritte notwendig. Für die klinische Routine ist das zu zeitaufwendig und limitiert auch die Vergleichbarkeit zwischen verschiedenen Institutionen. Wir planen daher den Einsatz von CNN auch in dieser Phase.“

(ID:49033111)