Studie zeigt Vorteile auf Hirntumore mithilfe von KI diagnostizieren

Eine aktuelle Studie der Karl Landsteiner Privatuniversität für Gesundheitswissenschaften (KL Krems) zeigt eine teilweise Überlegenheit des Einsatzes von KI und physiologischen Bilddaten bei der Klassifikation von Hirntumoren auf.

Durch die Kombination von KI-Methoden mit physiologischen Bilddaten lässt sich laut der Studie eine präzisere Klassifikation von Hirntumoren erreichen. Dies hilft etwa bei der Wahl der optimalen Therapieoptionen. Für die Studie hat das KL Krems Methoden des Multiclass Machine Learnings im Zusammenspiel mit Daten aus Magnetresonanztomografien (MRT) genutzt.

Die so entstandenen Ergebnisse wurden anschließend mit von menschlichem Fachpersonal durchgeführten Klassifizierungen verglichen. Dabei zeigte sich, dass die KI unter anderem genauer, präziser und mit weniger Fehlklassifikationen arbeitet. Allerdings hatte das Fachpersonal hinsichtlich Sensitivität und Spezifität die Nase vorn.

MRT-Daten liefern Grundlage

Hirntumore lassen sich zwar mittels MRT gut erkennen, aber nur schwer klassifizieren. Genau das ist aber Voraussetzung für die Wahl der besten Behandlungsmethoden. Das Team um Prof. Andreas Stadlbauer, der am Zentralinstitut für medizinische Radiologie-Diagnostik des Universitätsklinikums St. Pölten forscht, nutzte für die Studie sowohl Daten aus fortgeschrittener („advanced“) als auch physiologischer MRT. Beide Methoden liefern einen erweiterten Einblick in die Struktur und den Stoffwechsel eines Hirntumors – und enorme Datenmengen, die es zu beurteilen gilt. „Wir haben nun analysiert, ob und wie eine Künstliche Intelligenz mittels ML in die Lage versetzt werden kann, geschultes Fachpersonal bei dieser Herkulesaufgabe zu unterstützen“, erklärt Prof. Stadlbauer.

Für die Studie trainierte das Team nun bekannte Multiclass-Machine-Learning-Algorithmen mit MRT-Daten von 167 früheren Patienten, die an einem der fünf häufigsten Hirntumore erkrankt waren und bei denen eine exakte Klassifizierung mittels Histologie vorlag. In einem aufwendigen Protokoll wurden insgesamt 135 sogenannte Classifier generiert. Dabei handelt es sich um mathematische Funktionen, die das zu untersuchende Material bestimmten Kategorien zuordnen. „Im Unterschied zu vorherigen Studien berücksichtigten wir auch Daten von physiologischen MRTs“, erläutert Prof. Stadlbauer. Das umfasse etwa Details zur Gefäßarchitektur der Tumore und deren Bildung neuer Gefäße sowie zur Versorgung des Tumorgewebes mit Sauerstoff.

Potenzial in Testphase unterstrichen

Die Forscher tauften ihr Verfahren auf den Namen „Radiophysiomics“. Das Potenzial des Ansatzes zeigte sich auch in der Testphase des Projekts: Hierbei wurden die trainierten Algorithmen mit den MRT-Daten von 20 aktuellen Patienten gespeist und die Ergebnisse mit den Einschätzungen zweier zertifizierter Radiologen verglichen. Auch hier zeigte sich eine höhere Genauigkeit und Präzision sowie geringere Fehlklassifikationen als durch das Fachpersonal. In den Kategorien Sensitivität und Spezifität erwiesen sich nach wie vor die menschlichen Beurteilungen als treffsicherer.

„Damit wird auch klar, dass der ML-Ansatz derzeit noch kein Ersatz, sondern eine Ergänzung für eine Klassifikation durch qualifiziertes Fachpersonal sein sollte“, so Prof. Stadlbauer. Hinzu komme der aktuell noch sehr hohe Zeit- und Arbeitsaufwand für diesen Ansatz. „Doch bietet er eine Möglichkeit, dessen Potenzial es für den klinischen Alltag weiter zu verfolgen gilt“, ist der Professor überzeugt.

Dieser Artikel erschien ursprünglich bei unserem Schwesterportal BigData-Insider.

(ID:48526935)