Künstliches Intelligenzsystem basierend auf Faster Region-Based Convolutional Neural Network übertrifft erfahrene Radiologen bei der Bewertung metastatischer Lymphknoten bei Rektumkarzinom
Das Rektumkarzinom zählt zu den häufigsten gastrointestinalen Malignomen, wobei die Lymphknotenmetastasierung ein entscheidender Faktor für die Prognose und Therapieplanung ist. Die präoperative Beurteilung von Lymphknotenmetastasen (LN) mittels Magnetresonanztomographie (MRT) ist aufgrund der hohen Weichteilkontrastauflösung etabliert. Allerdings stellt die präzise Diagnose von LN-Metastasen für Radiologen eine Herausforderung dar, bedingt durch die komplexe Integration von Faktoren wie Morphologie, Begrenzung und Signalintensität der LN. Zusätzlich erschweren Interobserver-Variabilität und eingeschränkte Sensitivität die präoperative Stadieneinteilung. Künstliche Intelligenz (KI)-Systeme, insbesondere Deep-Learning-Modelle, bieten hier vielversprechende Lösungsansätze. Diese Studie validiert ein auf Faster Region-Based Convolutional Neural Network (Faster R-CNN) basierendes KI-System zur Diagnostik metastatischer LN bei Rektumkarzinom-Patienten.
Hintergrund und Bedeutung
LN-Metastasen erhöhen das Risiko für Lokalrezidive und verschlechtern die Prognose signifikant. Die präoperative Stadieneinteilung bestimmt die Therapieentscheidung, einschließlich neoadjuvanter Radiochemotherapie oder direkter Operation. Trotz der MRT als Goldstandard bleibt die LN-Beurteilung fehleranfällig, was Unter- oder Übertherapien zur Folge haben kann. KI-Systeme könnten diese Limitationen durch automatisierte Detektion und Klassifikation von LN-Metastasen überwinden.
Studiendesign und Methoden
In diese multizentrische Studie (6 klinische Zentren in China) wurden 414 Patienten mit Rektumkarzinom eingeschlossen, die zwischen Januar 2013 und März 2015 radikal operiert wurden. Ziel war die Validierung der Faster R-CNN-basierten KI hinsichtlich Diagnosegenauigkeit metastatischer LN im Vergleich zu erfahrenen Radiologen und Pathologen. Die methodologische Verifikation umfasste Korrelationsanalysen und Übereinstimmungsprüfungen zwischen KI, Radiologen und Pathologen. Die klinische Verifikation fokussierte auf Langzeitergebnissen (36-monatiges Follow-up) mittels rezidivfreiem Überleben (RFS).
Das Faster R-CNN-System wurde mit annotierten MRT-Datensätzen (T2-gewichtete Bildgebung, fettunterdrückte T2WI und diffusionsgewichtete Bildgebung) trainiert. Die Leistung wurde anhand der mittleren durchschnittlichen Präzision (mAP) bewertet, wobei das Modell iterativ alle 1.000 Trainingsschritte optimiert wurde.
Ergebnisse
Es zeigten sich signifikante Korrelationen zwischen der Anzahl metastatischer LN laut Faster R-CNN, Radiologen und Pathologen. Die Korrelation zwischen Radiologen und KI betrug 0,912, während die Übereinstimmung zwischen Pathologen und Radiologen geringer ausfiel (0,134). Die Korrelation zwischen Pathologen und Faster R-CNN lag bei 0,448, was auf eine höhere Übereinstimmung der KI mit pathologischen Befunden hinweist.
In der N-Stadien-Klassifikation erreichte der Kappa-Koeffizient zwischen Faster R-CNN und Pathologen 0,573 (Radiologen vs. Pathologen: 0,473). Die KI neigte jedoch zur Überschätzung des N-Stadiums, insbesondere bei N2-Patienten: 72 Patienten (19,9%) mit pathologischem N1 wurden als N2 eingestuft, während 10 N2-Fälle (2,8%) als N1 klassifiziert wurden.
In der klinischen Verifikation (n = 362) zeigten univariate Analysen, dass Geschlecht, pathologisches N-Stadium, klinisches Stadium, Tumordifferenzierungsgrad und Operationsmethode signifikant das RFS beeinflussten. Multivariate Analysen bestätigten das pathologische N-Stadium, Differenzierungsgrad und Operationsmethode als unabhängige prognostische Faktoren. Patienten mit pathologischem N2-Stadium wiesen eine signifikant niedrigere 36-Monats-RFS-Rate (65%) auf verglichen mit N2-Klassifikationen durch KI und Radiologen (85%).
Diskussion
Die Studie demonstriert die Überlegenheit des Faster R-CNN-Systems gegenüber Radiologen in der LN-Diagnostik. Die höhere Übereinstimmung mit pathologischen Befunden unterstreicht das Potenzial für präoperative Staging-Verfahren. Die Tendenz zur N-Stadien-Überschätzung erfordert jedoch weitere Modelloptimierungen.
Die Limitationen radiologischer Diagnostik – geringe Sensitivität und Interobserver-Variabilität – werden durch die KI adressiert, die MRT-Bilder in 20 Sekunden pro Fall analysiert (Radiologen: durchschnittlich 600 Sekunden). Dennoch bleibt die pathologische Untersuchung der Goldstandard, der jedoch erst postoperativ verfügbar ist. Die KI bietet somit eine präoperative Alternative mit verbesserter Genauigkeit.
Schlussfolgerung
Diese Studie unterstreicht das transformative Potenzial KI-basierter Systeme in der onkologischen Bildgebung. Das Faster R-CNN-System ermöglicht eine präzisere und effizientere präoperative LN-Beurteilung, was Therapieentscheidungen optimieren könnte. Weitere Studien an größeren, diverseren Kohorten sind notwendig, um die Generalisierbarkeit zu validieren und die Limitationen zu adressieren. Die kontinuierliche Entwicklung von KI-Systemen verspricht, die diagnostische Präzision in der Onkologie zu revolutionieren und die klinische Entscheidungsfindung nachhaltig zu unterstützen.
doi.org/10.1097/CM9.0000000000000095