RSNA 2023, die Jahrestagung der Radiological Society of North America (RSNA) findet diese Woche in Chicago statt und präsentiert aktuelle Forschungsfortschritte und Produktentwicklungen in allen Bereichen der Radiologie. Die diesjährige Veranstaltung umfasst zahlreiche Vorträge, Poster, Kurse und Bildungsausstellungen mit Schwerpunkt auf Anwendungen der künstlichen Intelligenz (KI) und des maschinellen Lernens. Hier finden Sie eine kleine Auswahl der vorgestellten Studien.

Ermittlung von ADHS-Merkmalen anhand von MRT-Untersuchungen des Gehirns

Die Aufmerksamkeitsdefizit-Hyperaktivitätsstörung (ADHS) ist eine häufige Erkrankung, die das Verhalten einer Person beeinflusst. Kinder mit ADHS können Schwierigkeiten haben, sich zu konzentrieren, impulsives Verhalten zu kontrollieren oder Aktivitäten zu regulieren. Frühzeitige Diagnose und Intervention sind von entscheidender Bedeutung, aber ADHS ist schwer zu diagnostizieren und beruht auf subjektiven Selbsteinschätzungen.

Nun hat ein Forschungsteam der University of California San Francisco (UCSF) hat mithilfe von KI MRT-Gehirnscans von Jugendlichen mit und ohne ADHS analysiert und dabei signifikante Unterschiede in neun Bereichen der weißen Substanz des Gehirns bei Personen mit ADHS festgestellt. Dieser innovative Einsatz von Technologie unterstreicht die sich entwickelnde Landschaft der medizinischen Bildgebung, einem Bereich, in dem Fortgeschrittene Bildungsprogramme in der medizinischen Bildgebung spielen eine entscheidende Rolle bei der Ausbildung der nächsten Generation von Experten.“

Die Forscher nutzten Bildgebungsdaten des Gehirns von 1704 Personen im Bereich der kognitiven Entwicklung des Gehirns von Jugendlichen (ABCD) Studie, einschließlich Probanden mit und ohne ADHS. Aus den diffusionsgewichteten Bildgebungsdaten (DWI) extrahierten sie Messungen der fraktionierten Anisotropie (FA), ein Maß für die Wasserdiffusion entlang der Fasern der weißen Substanzbahnen, entlang 30 Hauptbahnen im Gehirn.

Sie verwendeten FA-Daten von 1371 Personen als Eingaben, um ein Deep-Learning-KI-Modell zu trainieren, und testeten das Modell an 333 Patienten, darunter 193 mit der Diagnose ADHS und 140 ohne ADHS. Das KI-Modell ergab, dass bei Patienten mit ADHS die FA-Werte in neun Trakten der weißen Substanz signifikant erhöht waren.

„Diese Unterschiede in den MRT-Signaturen bei Personen mit ADHS wurden in dieser Detailtiefe noch nie beobachtet“, sagt Justin Huynh von der UCSF und dem Carle Illinois College of Medicine in Urbana-Champaign. „Im Allgemeinen fallen die in den neun Bahnen der weißen Substanz beobachteten Anomalien mit den Symptomen von ADHS zusammen. Diese Methode stellt einen vielversprechenden Schritt hin zur Suche nach bildgebenden Biomarkern dar, die zur Diagnose von ADHS in einem quantitativen, objektiven diagnostischen Rahmen verwendet werden können.“

Identifizierung von Nichtrauchern mit hohem Risiko, an Lungenkrebs zu erkranken

Lungenkrebs ist weltweit die häufigste Krebstodesursache. In den USA wird das Lungenkrebs-Screening mittels Niedrigdosis-CT für aktuelle oder kürzliche Zigarettenraucher empfohlen, nicht jedoch für „Niemalsraucher“ – also diejenigen, die nie oder nur sehr wenig geraucht haben. Allerdings treten etwa 10–20 % der Lungenkrebserkrankungen bei solchen Nichtrauchern auf, und die Krebsraten in dieser Gruppe steigen. Und ohne Früherkennung durch ein Screening kommt es bei Nichtrauchern häufig zu einem weiter fortgeschrittenen Lungenkrebs als bei Nichtrauchern.

Um diese Situation zu verbessern, hat ein Team am Cardiovaskulären Bildgebungsforschungszentrum (IARC) am MGH und der Harvard Medical School testet, ob ein Deep-Learning-Modell anhand routinemäßiger Röntgenaufnahmen des Brustkorbs Nichtraucher mit einem hohen Risiko für Lungenkrebs identifizieren kann. „Ein großer Vorteil unseres Ansatzes besteht darin, dass nur ein einziges Röntgenbild des Brustkorbs erforderlich ist, was einer der häufigsten Tests in der Medizin ist und in der elektronischen Krankenakte weit verbreitet ist“, sagt der Hauptautor Anika Walia.

Die Forscher entwickelten ihr CXR-Lung-Risk-Modell anhand von 147,497 Röntgenaufnahmen des Brustkorbs von 40,643 asymptomatischen Rauchern und Nichtrauchern aus der Region PLCO-Krebsvorsorgestudie. Sie validierten das Modell in einer separaten Gruppe von Nichtrauchern, bei denen routinemäßig Röntgenaufnahmen des Brustkorbs durchgeführt wurden. Von 17,407 Patienten in der Studie stufte das Modell 28 % als Hochrisikopatienten ein. In der sechsjährigen Nachbeobachtungszeit entwickelten 2.9 % der gesamten Kohorte Lungenkrebs. Diejenigen in der Hochrisikogruppe übertrafen die Sechs-Jahres-Risikoschwelle von 1.3 %, bei der ein Screening empfohlen wird, bei weitem.

Das Team stellte fest, dass nach Berücksichtigung von Alter, Geschlecht, Rasse und klinischen Faktoren bei Patienten in der Hochrisikogruppe immer noch ein 2.1-mal höheres Risiko bestand, an Lungenkrebs zu erkranken als bei Patienten in der Niedrigrisikogruppe.

Beseitigung rassistischer Vorurteile bei der Risikobewertung von Brustkrebs

Forscher am Massachusetts General Hospital (HGH) haben ein Deep-Learning-Modell entwickelt, das sowohl duktales Karzinom in situ (DCIS) als auch invasives Brustkarzinom genau vorhersagt und dabei ausschließlich Biomarker aus Mammographiebildern verwendet. Wichtig ist, dass das neue Modell bei Patienten verschiedener Rassen gleichermaßen gut funktionierte.

Herkömmliche Modelle zur Risikobewertung von Brustkrebs weisen bei verschiedenen Rassen eine schlechte Leistung auf, was wahrscheinlich auf die Bevölkerungsdaten zurückzuführen ist, die zur Erstellung des Modells verwendet wurden. „Mehrere der häufig verwendeten Modelle wurden an überwiegend europäisch-kaukasischen Bevölkerungsgruppen entwickelt“, erklärt der Hauptautor Leslie Lamm. Laut der American Cancer Society haben schwarze Frauen jedoch unter allen Rassen und ethnischen Gruppen die niedrigste relative 5-Jahres-Überlebensrate bei Brustkrebs – was den dringenden Bedarf an Risikomodellen ohne rassistische Vorurteile unterstreicht.

In einer Studie an mehreren Standorten bewerteten Lamb und Kollegen die Leistung des Modells bei der Vorhersage von invasivem Brustkrebs und DCIS, also Brustkrebs im Frühstadium, über mehrere Rassen hinweg. Sie umfassten 129,340 routinemäßige bilaterale Screening-Mammographien, die bei 71,479 Frauen durchgeführt wurden, mit Fünf-Jahres-Follow-up-Daten. Die Studiengruppe umfasste weiße (106,839 Prüfungen), schwarze (6154 Prüfungen) und asiatische (6435 Prüfungen) Frauen sowie Frauen, die sich selbst als andere Rassen bezeichneten (6257 Prüfungen) und Frauen unbekannter Rasse (3655 Prüfungen).

Das neue Modell übertraf herkömmliche Risikomodelle durchweg bei der Vorhersage des Risikos, an Brustkrebs zu erkranken, und zeigte eine Vorhersagerate von 0.71 sowohl für DCIS als auch für invasiven Krebs bei allen Rassen. Das Modell erreichte eine Fläche unter der ROC-Kurve (AUC) für die Vorhersage von DCIS von 0.77 bei nicht-weißen Patienten und 0.71 bei weißen Patienten, während die AUC für die Vorhersage von invasivem Krebs 0.72 bei nicht-weißen Patienten und 0.71 bei weißen Patienten betrug. Das Team stellt fest, dass traditionelle Risikomodelle AUCs von 0.59–0.62 für weiße Frauen aufwiesen, während die Leistung für Frauen anderer Rassen viel geringer war.

„Das Modell ist in der Lage, die gesamte Vielfalt subtiler bildgebender Biomarker im Mammogramm zu übersetzen, die über das hinausgehen, was das bloße Auge erkennen kann, und die das zukünftige Risiko einer Frau sowohl für DCIS als auch für invasiven Brustkrebs vorhersagen können“, sagt Lamb. „Das Deep-Learning-Bildrisikomodell kann einen besseren Zugang zu einer genaueren, gerechteren und kostengünstigeren Risikobewertung ermöglichen.“

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
• PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
• PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
• PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
• Quelle: https://physicsworld.com/a/rsna-2023-showcases-ai-in-radiology/