KI-Unterstützung im Mammographie Screening
Unter bösartigen Neubildungen ist Brustkrebs bei Frauen die führende Todesursache und bleibt somit eine globale Gesundheitsbedrohung. 2018 wurden weltweit 2,1 Millionen neue Fälle von Brustkrebs registriert, welche rund 24 Prozent aller bei Frauen diagnostizierten Krebsformen ausmachte (1, 2).
Mammographien werden Frauen in Deutschland zwischen 50 und 69 Jahren alle zwei Jahre zur Früherkennung angeboten (3). Diese regelmäßigen Screenings sind von großer Bedeutung, um Brustkrebs in einem frühen Stadium zu entdecken und entsprechend zu behandeln. Jährlich werden weltweit geschätzt 100 Millionen Mammographie-Screenings durchgeführt. Mortalitätsraten sinken laut Studien durch den Einsatz dieser diagnostischen Früherkennung um rund 20 bis 40 Prozent (1). Datenbasierte Assistenzsysteme können Radiologen in der Befundung zukünftig potenziell unterstützen: Welche Potentiale kann der Einsatz von Künstlicher Intelligenz (KI) beim Mammographie-Screening entfalten?
Doppelte Absicherung führt zu Ineffizienzen
Mammographie-Aufnahmen werden stets von zwei Radiologen geprüft, um die Genauigkeit der Befundung zu erhöhen und Diagnosen abzusichern (1, 4, 5). Dieses Vorgehen lässt einen hohen Workload entstehen, während Patientinnen mit Verzögerungen ihrer Befundung rechnen müssen (4, 5). Gleichzeitig sind Fachkräfte knapp, die Effizienz im klinischen Alltag leidet und es werden weiterhin viele falsch positive, aber auch bis zu 25 Prozent falsch negative Diagnosen gestellt (4, 6).
KI könnte hier als Hilfe zur Befundung eingesetzt werden. Prinzipiell handelt es sich bei KI um einen übergeordneten Begriff für verschiedenste Verfahren, darunter Machine Learning, Deep Learning oder sein zugehöriges Verfahren Convolutional Neural Networks (künstliches neuronales Netz) (4, 7). Im Fall der Mammographie-Befundung kommen insbesondere Convolutional Neural Networks zum Einsatz. Die entsprechende Bildbeurteilung verläuft anhand von zwei Verfahren: An erster Stelle steht die Objekterkennung, wobei interessierende Bereiche des Gewebes fokussiert werden. Es kann in Vorder- und Hintergrund, gut- und bösartige oder Grenzbereiche zwischen Strukturen unterschieden werden. Das darauf aufbauende zweite Verfahren ist die Klassifizierung, wobei für die erkannten Bereiche, Strukturen oder Objekte Kategorien (label) gefunden werden. Die Skala kann von Objekt- bis Pixelgröße variieren (1). In unterschiedlichen Ausführungen können die zur Befundung eingesetzten Algorithmen anhand von Trainingsdaten in Form von Bildern gut- und bösartiger Neubildungen selbstständig lernen (unsupervised learning) (4).
KI zur Entscheidungsunterstützung
KI-Methoden können Einfluss auf den gesamten Workflow in der Radiologie haben (7). Abbildung 1 gibt Beispiele des KI-Einsatzes.
Abbildung 1: Einsatz von KI im Workflow der Radiologie (angelehnt an (7))
Inzwischen können Studien nachweisen, dass die Einschätzung radiologischer Aufnahmen durch eine KI der eines Radiologen weitestgehend gleichwertig ist. So ist die Genauigkeit des Algorithmus im Gegensatz zum medizinischen Erstgutachter höher sowie mindestens gleichwertig zum Zweitgutachten (4). Durch Unterstützung in der Mammographie-Befundung kann die Diagnostik bösartiger Neubildungen somit präzisiert und unnötige Eingriffe vermieden werden. Insbesondere bei Mammographien ist die Rate falsch positiver Diagnosen oder Wiedereinberufungen von Patientinnen in Verdachtsfällen auf bösartige Neubildungen in Bezug zu tatsächlichen Erkrankungen hoch (4, 7). Dichtes Brustgewebe oder Vernarbungen können Hürden in der Befundung und somit der Entdeckung malignen Gewebes darstellen. KI könnte bei der Einschätzung schwieriger oder unklarer Fälle unterstützen (1). Kosten für zusätzliche Eingriffe oder Fehldiagnosen können somit potenziell verringert werden, ebenso wie personelle und zeitliche Ressourcen durch den KI-Einsatz im Arbeitsalltag frei werden würden (7).
Ein aktuelles Beispiel zur Befundung von Mammographien mithilfe von KI ist Mia. In Großbritannien entwickelt, ist Mia eine KI, welche die Befundung von Mammographien als Zweitmeinung unterstützt. Hinter der Einschätzung einer Bildgebung steht auch bei Mia immer ein Radiologe, der die finale Diagnose stellt. Die KI spart den Radiologen Zeit, senkt den Druck der Fachkräftegewinnung und kann gleichzeitig die Zahl untersuchter Frauen und die Genauigkeit ihres Befundes steigern (5).
Vertrauen und Akzeptanz gering
Bereits seit längerem werden computergestützte Entscheidungssysteme in der Radiologie genutzt – Fachkräfte vertrauen aufgrund mangelnder Spezifität jedoch häufig nicht darauf, was eine Befundung durch einen einzelnen Radiologen, unterstützt durch digitale Lösungen behindert (6). KI-Methoden können hier unter Umständen zwar besser performen, das Vertrauen der Fachkräfte muss dennoch erst gewonnen und KI als Zweitmeinung akzeptiert werden.
Ein wichtiger Biomarker in der Befundung von Mammographien ist die Veränderung, meist das Wachstum auffälligen Gewebes (4). Eine KI muss also jeweils alle Bilder der Patientinnen kennen, um auch Veränderungen mit einbeziehen zu können. Darüber hinaus existiert seit jeher das Black-Box-Problem: Einige Entscheidungen einer KI, insbesondere im Zuge der Beurteilung medizinischer Bildgebung, sind nicht erklärbar (7). Dies macht die fachliche Einschätzung durch Radiologen umso essentieller.
Nutzung von Studienergebnissen essentiell
KI in der Bildgebung zum Zweck der Mammographie erfährt eine hohe Aufmerksamkeit. Mehr als 1000 Publikationen entstanden zwischen 2000 und 2018 allein zu diesem Thema (1). Studienergebnisse sollten gebündelt und genutzt, entwickelte Lösungen für die Befundung von Mammographie-Screenings im klinischen Setting erprobt werden; so wie es aktuell auch im Fall von Mia passiert (5).
Um Health Professionals mit der Technik vertraut zu machen, könnten KI-Methoden zunächst nur teilweise im Behandlungsalltag genutzt und beispielsweise die Hälfte der Befundungen digital unterstützt werden (6). Da Radiologen kaum um den KI-Trend in der Medizin umhinkommen (7) und die Nutzung digitaler Lösungen bereits an vielen Stellen Alltag ist, dürfte das Anlernen auf gute Voraussetzungen treffen. Auch Curricula der Facharztausbildung sollten angepasst werden, um ein gutes Verständnis für neue Methoden zu haben. Auf dieses kann mit immer komplexer funktionierenden KI-Lösungen anschließend aufgebaut werden.
Fazit
KI kann die Befundung von Mammographien unterstützen, indem sie als Zweitmeinung eingesetzt wird. Prozesse können hier mit Blick auf Zeit- und Personaleinsatz effizienter gestaltet sowie Wiedervorstellungen von Patientinnen aufgrund falscher Diagnosen vermieden werden.
Quellen
- Tran WT, Sadeghi-Naini A, Lu FI, Gandhi S, Meti N, Brackstone M, et al. Computational Radiology in Breast Cancer Screening and Diagnosis Using Artificial Intelligence. Can Assoc Radiol J. 2021;72(1):98-108. zum Original
- Destatis. Die 10 häufigsten Todesursachen durch Krebs 2020. zum Original
- Krebsgesellschaft D. Das Mammographie-Screening als Früherkennungsmethode 2017. zum Original
- Sechopoulos I, Teuwen J, Mann R. Artificial intelligence for breast cancer detection in mammography and digital breast tomosynthesis: State of the art. Semin Cancer Biol. 2021;72:214-25. zum Original
- England N. Mia mammography intelligent assessment 2021. zum Original
- Rodriguez-Ruiz A, Krupinski E, Mordang JJ, Schilling K, Heywang-Kobrunner SH, Sechopoulos I, et al. Detection of Breast Cancer with Mammography: Effect of an Artificial Intelligence Support System. Radiology. 2019;290(2):305-14. zum Original
- Syed AB, Zoga AC. Artificial Intelligence in Radiology: Current Technology and Future Directions. Semin Musculoskelet Radiol. 2018;22(5):540-5. zum Original
