KI-gesteuerte Mammographie reduziert Arbeitsbelastung um 33 % und erhöht Brustkrebs Erkennung
Zuletzt überprüft: 14.06.2024
![Fact-checked](/sites/default/files/fact-checked.png)
Alle iLive-Inhalte werden medizinisch überprüft oder auf ihre Richtigkeit überprüft.
Wir haben strenge Beschaffungsrichtlinien und verlinken nur zu seriösen Medienseiten, akademischen Forschungseinrichtungen und, wenn möglich, medizinisch begutachteten Studien. Beachten Sie, dass die Zahlen in Klammern ([1], [2] usw.) anklickbare Links zu diesen Studien sind.
Wenn Sie der Meinung sind, dass einer unserer Inhalte ungenau, veraltet oder auf andere Weise bedenklich ist, wählen Sie ihn aus und drücken Sie Strg + Eingabe.
![](https://de.iliveok.com/sites/default/files/styles/term_image/public/news/ii-upravlyaemaya-mammografiya-snizhaet-rabochuyu-nagruzku-na-33-i-uvelichivaet-vyyavlenie-raka-grudi.jpg?itok=RhaTfioI)
In einer kürzlich in Radiology veröffentlichten Studie führten Forscher aus Dänemark und den Niederlanden eine retrospektive Analyse der Screening-Effektivität und der Gesamtbelastung durch Mammographie-Screening vor und nach der Einführung von Systemen der künstlichen Intelligenz (KI) durch.
Regelmäßiges Mammographie-Screening auf Brustkrebs reduziert die Sterblichkeit durch die Krankheit erheblich. Allerdings erhöht das Massen-Mammographie-Screening die Arbeitsbelastung der Radiologen, die viele Mammogramme überprüfen müssen, von denen die meisten keine verdächtigen Läsionen aufweisen.
Darüber hinaus erhöht das Doppelscreening, das zur Reduzierung falscher Positivbefunde und zur Verbesserung der Erkennung eingesetzt wird, die Arbeitsbelastung der Radiologen weiter. Der Mangel an spezialisierten Radiologen, die Mammogramme lesen können, verschärft diese Situation noch.
Jüngste Studien haben den Einsatz von KI zur effektiven Analyse radiologischer Berichte bei gleichzeitiger Einhaltung hoher Screening-Standards umfassend untersucht. Der kombinierte Ansatz, bei dem KI Radiologen hilft, Mammogramme mit markierten Läsionen hervorzuheben, soll die Arbeitsbelastung der Radiologen verringern und gleichzeitig die Screening-Empfindlichkeit aufrechterhalten.
Die aktuelle Studie verwendete vorläufige Leistungsmessungen von zwei Kohorten von Frauen, die im Rahmen des dänischen nationalen Brustkrebs-Screening-Programms mammographisch untersucht wurden, um die Veränderung der Screening-Arbeitsbelastung und -Leistung nach der Einführung von KI-Tools zu vergleichen.
Das Programm lud Frauen im Alter von 50 bis 69 Jahren ein, sich bis zum Alter von 79 Jahren alle zwei Jahre untersuchen zu lassen. Frauen mit Markern, die auf ein erhöhtes Brustkrebsrisiko hinweisen, wie z. B. BRCA-Gene, wurden nach unterschiedlichen Protokollen untersucht.
Die Forscher verwendeten zwei Kohorten von Frauen: eine, die vor und eine nach der Einführung des KI-Systems untersucht wurde. In die Analyse wurden nur Frauen unter 70 Jahren einbezogen, um diejenigen aus der Hochrisiko-Untergruppe auszuschließen.
Alle Teilnehmerinnen unterzogen sich Standardprotokollen mit digitalen Mammographien mit kraniokaudalen und mediolateralen Schrägaufnahmen. Alle positiven Fälle in dieser Studie wurden durch Screening auf duktales Karzinom oder invasiven Krebs identifiziert, was durch eine Nadelbiopsie bestätigt wurde. Daten zu pathologischen Berichten, Läsionsgröße, Lymphknotenbeteiligung und Diagnosen wurden ebenfalls aus dem nationalen Gesundheitsregister bezogen.
Das zur Analyse der Mammogramme verwendete KI-System wurde mithilfe von Deep-Learning-Modellen trainiert, um verdächtige Verkalkungen oder Läsionen auf einem Mammogramm zu erkennen, hervorzuheben und zu bewerten. Die KI bewertete die Screenings dann auf einer Skala von 1 bis 10, was die Wahrscheinlichkeit von Brustkrebs angibt.
Ein Team aus überwiegend erfahrenen Radiologen überprüfte die Mammogramme für beide Kohorten. Vor der Implementierung des KI-Systems wurde jedes Screening von zwei Radiologen überprüft, und der Patientin wurde nur dann eine klinische Untersuchung und eine Nadelbiopsie empfohlen, wenn beide Radiologen der Ansicht waren, dass das Screening einer weiteren Auswertung bedarf.
Nach der Implementierung des KI-Systems wurden Mammogramme mit einem Score von weniger als oder gleich 5 von einem leitenden Radiologen überprüft, der wusste, dass sie nur eine Auswertung erhielten. Diejenigen, die einer weiteren Untersuchung bedurften, wurden mit einem zweiten Radiologen besprochen.
Die Studie ergab, dass die Implementierung des KI-Systems die Arbeitsbelastung der Radiologen, die Mammogramme im Rahmen des Massenscreenings auf Brustkrebs analysieren, erheblich reduzierte und gleichzeitig die Screening-Effizienz verbesserte.
Die Kohorte, die vor der Implementierung des KI-Systems gescreent wurde, bestand aus mehr als 60.000 Frauen, während die Kohorte, die mithilfe der KI gescreent wurde, etwa 58.000 Frauen umfasste. Das Screening mit KI führte zu einem Anstieg der Brustkrebsdiagnosen (0,70 % vor KI gegenüber 0,82 % mit KI) und verringerte gleichzeitig die Anzahl falsch-positiver Ergebnisse (2,39 % gegenüber 1,63 %).
Das KI-basierte Screening hatte einen höheren positiven Vorhersagewert und der Prozentsatz invasiver Krebserkrankungen war mit KI-basierten Methoden niedriger. Obwohl sich der Prozentsatz lymphknoten-negativer Krebserkrankungen nicht änderte, zeigten andere Leistungsmaße, dass das KI-basierte Screening die Ergebnisse deutlich verbesserte. Die Leselast verringerte sich ebenfalls um 33,5 %.
Die Studie untersuchte daher die Wirksamkeit eines KI-basierten Screeningsystems bei der Reduzierung der Arbeitsbelastung von Radiologen und der Verbesserung der Screeningraten von Mammographien im Rahmen des Massenscreenings auf Brustkrebs in Dänemark.
Die Ergebnisse zeigten, dass das KI-basierte System die Arbeitsbelastung von Radiologen erheblich reduzierte und gleichzeitig die Screeningraten verbesserte, was durch einen signifikanten Anstieg der Brustkrebsdiagnosen und eine signifikante Verringerung der falsch positiven Ergebnisse belegt wurde.