Diagnostischer Wert der künstlichen Intelligenz beim frühen Lungenkarzinom
Lungenkrebs ist weltweit die führende Ursache für krebsbedingte Morbidität und Mortalität. Eine frühzeitige Diagnose und Behandlung sind entscheidend, um die 5-Jahres-Überlebensrate zu verbessern. Künstliche Intelligenz (KI), insbesondere Deep Learning, hat sich als vielversprechendes Werkzeug in der medizinischen Bildgebung etabliert, das effiziente Selbstoptimierungsfähigkeiten bietet. KI verbessert nicht nur die Erkennung von Lungenknoten, sondern auch die diagnostische Effizienz beim frühen Lungenkarzinom. Diese Studie evaluiert den diagnostischen Wert der KI beim frühen Lungenkarzinom, vergleicht ihre Leistung mit der von Radiologen und untersucht den potenziellen Nutzen einer Kombination aus KI und menschlicher Expertise.
Methoden
Die Studie konzentrierte sich auf Patienten, die zwischen Januar 2016 und Dezember 2018 an der Zhongshan Hospital, Fudan University, eine Lungenknotenresektion erhielten. Einschlusskriterien waren: (1) definitive pathologische Diagnose, (2) klare und qualifizierte dünnschichtige Thorax-Computertomographie (CT)-Daten innerhalb einer Woche vor der Operation, (3) solitäre Lungenknoten (SPN) mit einem Durchmesser von 5–30 mm und (4) pathologisches Stadium Tis oder IA bei malignen Knoten. Basierend auf klinischer Erfahrung wurden Sensitivität und Spezifität auf 65 % geschätzt. Insgesamt wurden 360 Knoten (180 maligne, 180 benigne) ausgewählt. Mittels Propensity-Score-Matching (PSM) mit SPSS 19.0 und einer Toleranz von 0,1 wurden Störfaktoren wie Geschlecht und Alter adjustiert.
Benigne Läsionen umfassten inflammatorische Pseudotumoren, tuberkulome Knötchen, Hamartome und fibrotische Erkrankungen. Maligne Knoten wurden gemäß der WHO-Klassifikation 2015 kategorisiert, einschließlich Adenokarzinom und Plattenepithelkarzinom.
Die CT-Daten wurden in ein KI-System (s-Discover/Lung, V1.0.2, 12-Sigma Technologies, USA) importiert, das automatisch Knoten identifizierte und eine Benignität-Malignitäts-Analyse durchführte. Zwei erfahrene Radiologen überprüften die Ergebnisse, entfernten falsch-positive Befunde und validierten Größe, Dichte und Lage der Knoten. Die statistische Analyse erfolgte mittels ROC-Kurven, Chi-Quadrat-Test und Youden-Index, wobei P < 0,05 als signifikant galt.
Ergebnisse
Die Fläche unter der ROC-Kurve (AUC) der KI betrug 0,771. Bei einem optimalen Schwellenwert von 85,5 % maligner Wahrscheinlichkeit zeigte die KI eine Sensitivität von 62,8 % und eine Spezifität von 77,8 %. Die Sensitivität der KI war niedriger als die der Radiologen (68,3 % vs. 62,8 %; χ² = 8,48; P < 0,05), während die Spezifität höher lag (77,8 % vs. 62,8 %; χ² = 6,96; P < 0,05). Youden-Index und Kappa-Wert beider Methoden waren moderat (0,41 bzw. 0,31).
Für Knoten unterschiedlicher Größe und Dichte war die KI-Sensitivität stets niedriger als die der Radiologen (P > 0,05), die Spezifität jedoch höher – signifikant in den Gruppen 5,0–10,0 mm und 10,1–20,0 mm (χ² = 4,916; 5,733; P < 0,05). Die Kombination von KI und Radiologen steigerte die Sensitivität auf 83,3 % (χ² = 60,72; P < 0,05), reduzierte jedoch die Spezifität auf 52,8 % (χ² = 57,48; P < 0,05).
Diskussion
Deep-Learning-basierte KI zeigt bei der Diagnose des frühen Lungenkarzinoms eine verbesserte Spezifität, aber limitierte Sensitivität. Die Kombination mit radiologischer Expertise erhöht die Sensitivität signifikant, was sie zu einem wertvollen Werkzeug für die Früherkennung macht. Einschränkungen der KI-Sensitivität könnten auf die Qualität der Trainingsdaten zurückzuführen sein. Große klinische Studien sind notwendig, um KI-Modelle weiter zu optimieren.
Schlussfolgerung
KI stellt eine vielversprechende Ergänzung zur radiologischen Diagnostik dar. Die Integration beider Methoden könnte die Früherkennung von Lungenkrebs entscheidend verbessern, trotz des Trade-offs zwischen Sensitivität und Spezifität.
doi: 10.1097/CM9.0000000000000634