Chinesische Leitlinie zur Anwendung von KI-basierten Erkennungssystemen für das Rektumkarzinom-Staging (2021er Ausgabe)
Die bildgebende Diagnostik stellt einen Grundpfeiler der Therapieplanung beim Rektumkarzinom dar, sei es für chirurgische Eingriffe oder neoadjuvante Chemoradiotherapie. Die Interpretation der Bildgebungsbefunde hängt jedoch stark von erfahrenen Radiologen ab, deren Mangel und ungleichmäßige Verteilung häufig zu Verzögerungen und Fehlbeurteilungen führen. Um dieses Problem zu adressieren, wurden automatisierte Erkennungssysteme für das Rektumkarzinom-Staging auf Basis künstlicher Intelligenz (KI) entwickelt. Diese Systeme zielen darauf ab, manuelle Arbeit teilweise zu ersetzen und eine schnelle, präzise Stadieneinteilung zu ermöglichen.
Aufbau der Bilddatenbank
Die Bilddatenbank basiert auf Magnetresonanztomographie(MRT)-Aufnahmen von 3,0-T-MRT-Geräten (GE, Siemens, Philips). Die relevanten Sequenzen und Parameter sind in ergänzender Tabelle 1 dargestellt. Nach der Bildakquisition wurden diagnostisch verwertbare Sequenzen ausgewählt und in ein tiefes neuronales Netzwerk (DNN) integriert, um die Datenbank zu erstellen.
Parameteridentifikation im Trainingsdatensatz
Ein Expertengremium definierte vier Schlüsselparameter:
- T-Stadium: Basierend auf dem TNM-System des American Joint Committee on Cancer und der Studie von Horvat et al.
- T1: Infiltration der Submukosa
- T2: Ausdehnung in die Muscularis propria
- T3: Diskontinuität der Muscularis propria mit Infiltration des Mesorektums
- T4: Infiltration des Peritoneums oder benachbarter Organe
- N-Stadium: Diagnostische Kriterien umfassten Größe (≥5 mm im T2-gewichteten MRT), irreguläre Form, unscharfe Begrenzung und Signalintensität.
- Zirkumferenzieller Resektionsrand (CRM): Positiv bei einem Abstand ≤1 mm zwischen Tumor und mesorektaler Faszie (MERCURY-Kriterien).
- Extramurale Gefäßinvasion (EMVI): Bewertung nach Smith et al. mit Fokus auf Gefäßkonturveränderungen und Signalanomalien im T2-gewichteten MRT.
Identifikationsprozess
Drei Experten (zwei Radiologen, ein Chirurg) bewerteten unabhängig MRT-Bilder. Bei Diskrepanzen erfolgte eine Konsensbildung durch einen vierten Experten. Pro Patient wurden drei markierte Bilder in das DNN eingespeist.
FR-CNN-Trainingsframework
Das System kombiniert ein Regionenvorschlagsnetzwerk mit einem zielorientierten Detektionsmodul. Beide Komponenten teilen sich konvolutionale Schichten, wobei der Begrenzungsrahmen von Läsionen als Ausgabeparameter dient.
Klinische Validierung
Receiver-Operating-Characteristic(ROC)- und Precision-Recall(PR)-Kurven dienten zur Leistungsbewertung. Die Fläche unter der ROC-Kurve (AUC) wurde als Hauptindikator verwendet. Ein AUC-Wert ≥90% qualifiziert das System für den klinischen Einsatz.
Ergebnisinterpretation
Das System klassifiziert die Zuverlässigkeit in drei Stufen:
- Hohe Zuverlässigkeit: T-Stadium ≥90%, N-Stadium/CRM/EMVI ≥80%
- Mögliche Übereinstimmung: T-Stadium 70–90%, N-Stadium/CRM/EMVI 60–80%
- Geringe Zuverlässigkeit: T-Stadium <70%, N-Stadium/CRM/EMVI <60%
Klinische Anwendungsszenarien
Bei T1N0-Tumoren werden transanale Resektionsverfahren empfohlen. Bei fortgeschrittener Erkrankung mit potenzieller lateraler Lymphknotenmetastasierung erfolgt eine neoadjuvante Therapie, gefolgt von einer Re-Evaluierung mittels KI-System. Bei klinischer Vollremission (cCR) kann eine Watch-and-Wait-Strategie erwogen werden, ansonsten erfolgt eine totale mesorektale Exzision (TME). Persistierende Lymphknotenmetastasen erfordern eine selektive laterale Lymphadenektomie.
Zusammenfassung
KI-basierte Systeme adressieren den Mangel an radiologischer Expertise durch automatisierte, schnelle und präzise Stadienbewertung. Die Leitlinie unterstreicht die Bedeutung hochauflösender MRT-Bildgebung und validierter Evaluierungsmethoden wie ROC-Analysen für die klinische Implementierung.
doi.org/10.1097/CM9.0000000000001483