Zielsetzung:
Evaluierung von maschinellen Lernverfahren zur Unterscheidung maligner und benigner mammärer Befunde in der Cone-Beam Brust-CT (CBBCT) und Vergleich der diagnostischen Genauigkeit mit der von erfahrenen Radiologen.
Material und Methoden:
Folgende fünf maschinelle Lernverfahren wurden mittels 10-facher Kreuzvalidierung anhand eines klinischen CBBCT Datensatz trainiert: random forests, backpropagation neural networks, extreme learning machines, support vector machines und k nearest neighbors. Der klinische Datensatz umfasste Angaben zu Lage, morphologischen Parametern und Kontrastmittelaufnahme der Brustbefunde, welche durch einen Radiologen beurteilt wurden. Zusätzlich evaluierten zwei unabhängige Radiologen mit mehrjähriger Erfahrung in der Brustdiagnostik die CBBCT Aufnahmen zur Unterscheidung maligner und benigner Befunde. Die diagnostische Genauigkeit von maschinellen Lernverfahren und Radiologen wurde mittels Sensitivität, Spezifität und AUC verglichen.
Ergebnisse:
Der klinische CBBCT Datensatz umfasste 35 Patientinnen mit 81 Brustbefunden. Mittels histopathologischer Abklärung wurden 45 Befunde als maligne eingestuft. Neuronale Netzwerke zeigten die höchste diagnostische Genauigkeit zur Unterscheidung maligner und benigner Befunde mit einer AUC = 0,912, Sensitivität = 0,84 und Spezifität = 0,82. Die diagnostische Genauigkeit der neuronalen Netzwerke war signifikant höher als die der beiden erfahrenen Radiologen: diese zeigten eine AUC = 0,84/0,71, Sensitivität = 0,89/0,71 und Spezifität = 0,72/0,67.
Schlussfolgerungen:
Maschinelle Lernverfahren eignen sich für die Unterscheidung maligner und benigner Brustbefunde in der CBBCT. Insbesondere neuronale Netzwerke zeigen eine signifikant höhere diagnostische Genauigkeit als erfahrene Radiologen. Maschinelle Lernverfahren können somit beispielsweise Radiologen bei der Auswertung neuer Bildgebungsmodalitäten assistieren.
