Künstliche Intelligenz im Mammographie-basierten Brustkrebs-Screening

Brustkrebs (BC) ist weltweit die häufigste Krebserkrankung bei Frauen und die zweithäufigste krebsbedingte Todesursache.

Als Eckpfeiler des BC-Screenings gilt die Mammographie als eine der nützlichen bildgebenden Verfahren zur Reduzierung der BC-Mortalität durch die frühzeitige Erkennung von BC. Die Interpretation der Mammographie ist jedoch von Natur aus eine subjektive Beurteilung und anfällig für Überdiagnosen.

In den letzten Jahren haben künstliche Intelligenz (KI) und computergestützte Diagnosesysteme (CAD), die sich durch eingebettete Deep-Learning-Algorithmen auszeichnen, als Hilfsmittel für Radiologen Einzug in den Bereich des BC-Screenings gehalten, mit dem Ziel, herkömmliche CAD-Systeme mit Schwächen zu optimieren Extraktion handgefertigter Merkmale. Bisher hat die eigenständige Leistung neuartiger KI-CAD-Tools eine vielversprechende Genauigkeit und Effizienz bei der BC-Diagnose gezeigt, was größtenteils auf die Nutzung von Convolution Neural Networks (CNNs) zurückzuführen ist, und einige von ihnen haben bereits das Niveau eines Radiologen erreicht. Andererseits hat sich gezeigt, dass die Leistung von Radiologen beim BC-Screening durch den Einsatz des AI-CAD-Systems als Entscheidungsunterstützungstool verbessert wird. Da die Implementierung kommerzieller KI-CAD-Systeme zunimmt, sollte eine gründliche Bewertung ihrer Nützlichkeit und Kosteneffizienz unter klinischen Bedingungen in Szenarien durchgeführt werden, die das reale Leben nachahmen, bevor eine breite Einführung erfolgt, wie bei anderen neuen und vielversprechenden Technologien. Dies erfordert die Validierung von AI-CAD-Systemen im BC-Screening anhand mehrerer, vielfältiger und repräsentativer Datensätze sowie die Schätzung der Schnittstelle zwischen Reader und System. Ziel dieser vorgeschlagenen Studie ist es, die Brustkrebs-Diagnoseleistung des AI-CAD-Systems zu untersuchen, das zum Lesen von Mammographien verwendet wird. In dieser Arbeit werden wir ein kommerziell erhältliches AI-CAD-Tool verwenden, das auf Deep-Learning-Algorithmen (IBM Watson Imaging AI Solution) basiert, um verdächtige Brustläsionen in Mammographien zu identifizieren und zu charakterisieren. Die potenziellen Krebsläsionen können gekennzeichnet werden und ihre mammografischen Merkmale und die Malignitätswahrscheinlichkeit werden automatisch gemeldet. Nach der KI-Nachbearbeitung werden wir weitere statistische Analysen durchführen, um die Genauigkeit des AI-CAD-Systems für die BC-Risikovorhersage zu bestimmen.