RSS-Feed abonnieren
DOI: 10.1055/s-0037-1682004
Machine-Learning-Algorithmen im Management suspekter Herde in der Mamma-MRT erlauben objektive und akkurate Diagnosen selbst durch unerfahrene Auswerter
Publikationsverlauf
Publikationsdatum:
27. März 2019 (online)
Zielsetzung:
Die korrekte Interpretation von Mamma-MRT benötigt ein hohes Maß an Erfahrung und wird durch Interobserver-Variabilitäten zwischen Auswertern zusätzlich erschwert. Ziel dieser Studie war die Etablierung eines einfach anwendbaren Machine-Learning Algorithmus zur Klassifizierung suspekter Herde in der Mamma-MRT, der auf objektiv messbaren Parametern basiert und selbst unerfahrenen Auswertern die Stellung akkurater Diagnosen ermöglicht.
Material und Methoden:
In die Studie eingeschlossen wurden 173 konsekutive Patienten mit 176 suspekten Läsionen in der komplementären Diagnostik (BI-RADS IV/V). Diese erhielten eine standardisierte Mamma-MRT vor histologischer Sicherung der Läsionen. Das histologische Ergebnis diente als Referenzstandard. Aus der MRT wurden (semi-)quantitative Parameter bestimmt: Läsionsgröße, Diffusionsrestriktion, T2w-Signalverhalten, Kurventyp der dynamischen Kontrastmittelanreicherung und -Washout (%). Die Bestimmung der Parameter erfolgte durch einen radiologischen Assistenzarzt im 5. Jahr der Weiterbildung und einen Medizinstudenten im 5. Jahr. Deren Interobserver Agreement in der Beurteilung der MRT-Parameter wurde mittels Intraclass Correlation Coefficients (ICC) analysiert. Aus den MRT-Parametern und dem Patientenalter wurde eine Support-Vector-Machine (SVM) erstellt, 10-fach kreuzvalidiert und mittels ROC-Kurven ausgewertet
Ergebnisse:
Histologisch zeigten 107 Befunde Malignität (60,8%). Das Interobserver Agreement bezüglich der MRT-Parameter war exzellent (ICC: 0,81 – 0,98). Die SVM erreichte eine hohe Genauigkeit in der Differenzierung zwischen maligne/benigne (AUC 0.901). Der SVM-Algorithmus wurde in einer open-access Internet-Applikation öffentlich gemacht.
Schlussfolgerungen:
Der entwickelte Machine-Learning Algorithmus ermöglicht eine objektive und akkurate Unterscheidung zwischen gut- und bösartigen Herden in der Mamma-MRT selbst durch unerfahrene Anwender. Die Internet-Applikation erlaubt eine einfache Validierung der Ergebnisse und eine Integration in klinische Workflows.
#