Genauigkeit des Deep-Learning-Algorithmus zur Erkennung und Risikostratifizierung von Lungenknoten

Das Osteosarkom gilt als der häufigste bösartige Knochentumor bei Kindern und Jugendlichen. Ungefähr 15 % bis 20 % der Patienten mit Osteosarkom weisen eine nachweisbare metastatische Erkrankung auf, und die Mehrheit von ihnen (85 %) hat pulmonale Läsionen als einzigen Ort der Metastasierung. Frühere Studien haben gezeigt, dass die Gesamtüberlebensrate bei Patienten mit lokalisiertem Osteosarkom ohne Metastasen etwa 60 % bis 70 % beträgt, während sich die Überlebensrate bei Patienten mit Metastasen auf 10 % bis 30 % verringert. Obwohl in letzter Zeit neoadjuvante und adjuvante Chemotherapien die Sterblichkeitsrate senken können, sterben immer noch 30 % bis 50 % der Patienten an Lungenmetastasen. Anzahl, Verteilung und Zeitpunkt von Lungenmetastasen sind von prognostischem Wert für das Überleben, und daher spielt die Computertomographie (CT)-Thorax-Bildgebung immer noch eine entscheidende Rolle bei der Krankheitsüberwachung. In den letzten zehn Jahren hat die Technologie der Multidetektor-CT-Scanner die Erkennung zahlreicher kleinerer Lungenläsionen verbessert, was einerseits die diagnostische Sensitivität für Lungenmetastasen erhöhen kann, jedoch die Spezifität verringern kann. In den letzten Jahren ist der Deep-Learning-Algorithmus der künstlichen Intelligenz (KI) in einer Vielzahl von bildgebenden Untersuchungen ein heißes Thema. Derzeit wurde eine zunehmende Anzahl von computergestützten Diagnosesystemen (CAD) auf der Grundlage von Deep-Learning-Technologien entwickelt und auf den Markt gebracht, die auf ein schnelleres Screening und die korrekte Interpretation von Lungenknoten abzielen. Bisher haben die Forschungen, die sich auf die Verbesserung der Genauigkeit der Klassifizierung gutartiger/bösartiger Knötchen konzentrieren, erhebliche Fortschritte gemacht, inspiriert durch enorme Fortschritte bei Deep-Learning-Techniken. Folglich kann die Mehrheit der bestehenden CAD-Systeme eine Lungenknotenklassifikation mit einer Genauigkeit von über 90 % durchführen. In der klinischen Praxis ist nicht nur die Malignitätsbestimmung für Lungenknoten, sondern auch die Unterscheidung zwischen primärem Karzinom und intrapulmonaler Metastasierung entscheidend für das Patientenmanagement. Die meisten bestehenden Klassifikationen von Lungenknötchen, die im CAD-System angewendet werden, bleiben jedoch ein binäres Muster (gutartig vs. bösartig), da eine gründlichere Knötchenklassifikation fehlt, die mit einer Aufspaltung von primärem und metastasierendem Knötchen gekennzeichnet ist. Nach unserem besten Wissen haben sich bisher nur wenige Studien auf die Leistung von Deep-Learning-basierten CAD-Systemen zur Identifizierung von metastasierenden Lungenknoten konzentriert. In dieser vorgeschlagenen Studie versuchten die Forscher, die Genauigkeit und Empfindlichkeit eines computergestützten Systems auf der Grundlage eines Deep-Learning-Algorithmus für künstliche Intelligenz zur Erkennung und Risikostratifizierung von Lungenknoten bei Patienten mit osteogenem Sarkom zu bestimmen.