Ultrasound-based deep learning-derived radiomics for preoperative prediction of sentinel lymph node metastasis in invasive breast cancer: a two-center retrospective study

Auf der Reise durch die Brustkrebsbehandlung findet eine der kritischsten Entscheidungen statt, noch bevor der erste Schnitt gesetzt wird: zu bestimmen, ob der Krebs in die nahegelegenen Lymphknoten gestreut hat. Diese kleinen, bohnenförmigen Organe fungieren als erste Verteidigungslinie des Körpers, indem sie die Flüssigkeit aus der Brust filtern. Wenn Krebszellen dorthin gelangt sind, ändert sich der chirurgische Plan erheblich. Traditionell müssen Ärzte eine Sentinel-Lymphknoten-Biopsie durchführen, ein Verfahren, bei dem ein Chirurg einen spezifischen Knoten entfernt, um den Krebs unter einem Mikroskop zu untersuchen. Obwohl dies effektiv ist, handelt es sich um einen invasiven Schritt, der Risiken wie Schwellungen und Beschwerden birgt, und er ist nicht immer perfekt; manchmal übersieht der Test den Krebs, und ein anderes Mal führt er zu unnötigen Operationen bei Patientinnen, deren Krebs nicht gestreut hat. Jahrzehntelang haben Forscher nach einem Weg gesucht, diese Ausbreitung mithilfe nicht-invasiver Werkzeuge vorherzusagen, in der Hoffnung, Patientinnen vor Eingriffen zu bewahren, die sie nicht benötigen. Der Ultraschall, eine gängige bildgebende Technik, die Schallwellen nutzt, um Bilder des Körpers zu erzeugen, ist seit langem ein Standardwerkzeug zur Untersuchung von Brustknoten, aber seine Fähigkeit, die unsichtbare Ausbreitung von Krebszellen zu sehen, wurde durch die begrenzte Fähigkeit des menschlichen Auges eingeschränkt, die Bilder zu interpretieren.

Ein Forschungsteam von zwei Krankenhäusern in China hat einen neuen Ansatz für dieses alte Problem gewählt, indem es einem Computer beigebracht hat, Muster in Ulsschallbildern zu erkennen, die dem menschlichen Auge entgehen könnten. Sie konzentrierten sich auf eine spezifische Art von Brustkrebs, nämlich den invasiven Brustkrebs, bei dem der Tumor das Potenzial hat, durch das Brustgewebe zu brechen und zu den Lymphknoten zu wandern. Das Team sammelte Ultraschallbilder von Tumoren von 246 Patientinnen, die alle eine Operation unterzogen hatten, um zu bestätigen, ob ihre Lymphknoten Krebs enthielten. Sie teilten diese Patientinnen in zwei Gruppen auf: eine Gruppe aus einem Krankenhaus in Guangzhou, um den Computer zu trainieren, und eine separate Gruppe aus einem anderen Krankenhaus, um zu testen, ob der Computer das Gelernte auf neue, unbekannte Patientinnen anwenden kann. Der Computer betrachtete die Bilder nicht so, wie ein Radiologe es tun würde, indem er auf die Form oder Helligkeit des Tumors achtete. Stattdessen nutzte er ein Deep-Learning-System, eine Art künstliche Intelligenz, um die Bilder in tausende winzige mathematische Details zu zerlegen. Das System verwendete dann einen Entscheidungsalgorithmus, um die spezifische Kombination dieser Details zu finden, die am besten vorhersagte, ob der Krebs die Lymphknoten erreicht hatte.

Die Ergebnisse dieser Studie zeigen, dass das Computermodell einen moderaten Erfolg bei der Treffgenauigkeit dieser Vorhersagen erzielte. Als das Modell an der Gruppe von Patientinnen getestet wurde, mit denen das System trainiert wurde, erreichte das Modell einen AUC-Wert von 0,73. Als die Forscher dasselbe Modell an der unabhängigen Gruppe von Patientinnen aus dem zweiten Krankenhaus testeten, blieb die Leistung konsistent, wobei das Modell einen AUC-Wert von 0,74 erreichte. Diese Konsistenz über zwei verschiedene Krankenhäuser hinweg, die unterschiedliche Ultraschallgeräte verwendeten, deutet darauf darauf hin, dass der Computer ein echtes Muster gelernt hat und nicht nur die ihm gezeigten spezifischen Bilder auswendig gelernt hat. Dennoch ist das Modell kein perfektes Kristall "". In der Testgruppe aus dem zweiten Krankenhaus war das Modell sehr gut darin, Patientinnen korrekt zu identifizieren, die keine Krebsausbreitung hatten, mit einer Erfolgsquote von etwa 84 Prozent. Dies ist ein wertvoller Befund, da es bedeutet, dass das Werkzeug potenziell helfen könnte, Ärztinnen mehr Vertrauen zu geben, die invasive Biopsie bei bestimmten Risikopatientinnen mit geringem Risiko zu überspringen.

Dennoch hebt die Studie auch hervor, wo das Werkzeug an seine Grenzen stößt. Das Modell war weniger erfolgreich darin, jeden einzelnen Fall abzufangen, in dem der Krebs tatsächlich gestreut hat, wobei es diese Fälle nur etwa 65 Prozent der Zeit korrekt identifizierte. Da es einige Fälle der Ausbreitung übersah, betonen die Forscher, dass dieses Werkzeug die Standard-Biopsie nicht allein ersetzen kann. Wenn eine Ärztin sich ausschließlich auf diese Computervorhersage verlassen würde, um eine Krebsausbreitung auszuschließen, könnte sie fälschlicherweise einige Patientinnen nach Hause schicken, ohne die notwendige Behandlung zu erhalten. Die Autoren beschreiben das Modell als hilfreichen Assistenten statt als Ersatz – ein Werkzeug, das eine zusätzliche Informationsebene für den Entscheidungsprozess hinzufügen kann. Sie merken an, dass es sich bei der Studie um eine retrospektive Untersuchung handelte, was bedeutet, dass sie auf bereits gesammelten Daten zurückblickte, und dass die Anzahl der Patientinnen relativ gering war. Die Forscher weisen auch darauf hin, dass der Computer nicht darauf trainiert wurde, zu erklären, warum er eine bestimmte Entscheidung getroffen hat, was eine häufige Herausforderung bei dieser Art von fortgeschrittener künstlicher Intelligenz ist.

Der Weg nach vorn besteht laut den Autoren darin, dieses Werkzeug in Zukunft an viel größeren Patientengruppen zu testen. Sie schlagen vor, dass diese Technologie, bevor sie im klinischen Alltag eingesetzt werden kann, in prospektiven Studien nachgewiesen werden muss, bei denen Patientinnen im Zeitverlauf beobachtet werden, um zu sehen, ob die Vorhersagen in der realen Praxis standhalten. Das Ziel ist es zu sehen, ob die Kombination dieser Computeranalyse mit anderen Standardinformationen, wie der Größe des Tumors oder dem Alter der Patientin, die Genauigkeit noch weiter verbessern kann. Für den Moment bietet die Studie einen vielversprechenden Ausblick auf eine Zukunft, in der künstliche Intelligenz Ärztinnen dabei helfen könnte, persönlichere Entscheidungen zu treffen, wodurch potenziell einige Frauen vor unnötigen Operationen bewahrt werden, während sichergestellt wird, dass diejenigen, die sie benötigen, diese auch erhalten. Die Arbeit zeigt, dass die Technologie zwar noch nicht bereit für den vollen Einsatz ist, aber die theoretische Phase verlassen hat und ein echtes, messbares Potenzial in einem klinischen Umfeld gezeigt hat.