Interactive Lesion Segmentation in Whole-Body PET/CT and Longitudinal CT: The autoPET/CT-IV Challenge

Im Kampf gegen den Krebs verlassen sich Ärzte auf leistungsstarke Kameras, die in den menschlichen Körper hineinsehen und Bilder davon einfangen, wie Organe und Gewebe funktionieren. Zwei der wichtigsten Werkzeuge sind PET-Scans, die Bereiche beleuchten, in denen Zellen Energie mit hoher Rate verbrennen, und CT-Scans, die eine detaillierte Karte der physischen Struktur des Körpers liefern. Wenn Ärzte diese Bilder betrachten, müssen sie winzige, oft unregelmäßige Stellen finden, an denen der Krebs Fuß gefasst hat. Diese Aufgabe besteht nicht nur darin, einen einzelnen Fleck zu entdecken; es geht darum, exakt zu messen, wie viel des Körpers betroffen ist, und zu beobachten, wie sich diese Stellen über Wochen oder Monate hinweg verändern, während die Behandlung Wirkung zeigt. Dies von Hand zu erledigen ist langsam, erschöpfend und anfällig für Unterschiede zwischen den Ärzten, was zu einer inkonsistenten Versorgung führen kann. Um dies zu unterstützen, haben Wissenschaftler jahrelang daran gearbeitet, Computern beizubringen, diese Arbeit automatisch zu erledigen, aber diese Maschinen haben oft Schwierigkeiten, wenn die Bilder anders aussehen als die, mit denen sie trainiert wurden, oder wenn die Krebsstellen sehr klein oder schwach ausgeprägt sind.

Eine neue Studie führt eine globale Gruppe von Forschern zusammen, um einen anderen Ansatz zu testen: Anstatt die Computer zu fragen, alles allein zu machen, wurde untersucht, wie gut ein Computer arbeiten kann, wenn ein menschlicher Arzt ihm Schritt für Schritt hilft. Die Forscher organisierten einen Wettbewerb, bekannt als autoPET/CT-IV Challenge, bei dem Teams aus der ganzen Welt ihre besten Computerprogramme einreichten, um zwei spezifische Probleme zu lösen. Das erste Problem bestand darin, einen einzelnen Satz von Bildern zu betrachten und einen Menschen zu ermöglichen, auf den Bildschirm zu klicken, um den Computer zu führen und seine Fehler im Verlauf zu korrigieren. Das zweite Problem war viel schwieriger: Es fragte den Computer, sich den aktuellen Scan eines Patienten anzusehen und genau vorherzusagen, wie der Krebs in einem zukünftigen Scan aussehen wird, basierend nur auf den Bildern aus der Vergangenheit. Das Ziel war es zu sehen, ob die Mischung aus menschlicher Führung und künstlicher Intelligenz ein Werkzeug schaffen kann, das sowohl genau als auch zuverlässig genug ist, um in echten Krankenhäusern eingesetzt zu werden.

Die Ergebnisse zeigten, dass ein Computer signifikant besser bei seiner Arbeit wird, wenn ein menschlicher Arzt ihm durch einfache Klicks nachhilft. In der ersten Aufgabe, bei der Teilnehmer Krebsstellen auf einem einzelnen Scan umranden mussten, startete das beste Computerprogramm mit einer groben Schätzung und verbesserte sich dann, während der simulierte Arzt auf die Bereiche klickte, die es übersehen oder falsch markiert hatte. Nach zehn Runden dieser Korrekturen entsprach die Umrandung des Computers der wahren Form des Krebses mit einem AUC von 0,74. Dies war eine klare Verbesserung gegenüber dem Versuch des Computers, es allein zu tun, und das System funktionierte gut über verschiedene Arten von Scans und von verschiedenen Krankenhäusern hinweg. Die Studie fand heraus, dass der Computer zwar besser darin wurde, den Krebs zu finden, aber gelegentlich begann, gesundes Gewebe als Krebs zu markieren, wenn er zu viele Korrekturen erhielt, was auf ein empfindliches Gleichgewicht zwischen dem Finden jedes Flecks und dem Vermeiden von Fehlalarmen hindeutet.

Als die Forscher die Computer jedoch fragten, wie sich der Krebs im Laufe der Zeit verändern wird, waren die Ergebnisse weit weniger ermutigend. In der zweiten Aufgabe mussten die Programme einen Basis-Scan betrachten und erraten, wo der Krebs in einem Folge-Scan Monate später zu finden sein würde. Das beste Programm in dieser Kategorie erreichte die Übereinstimmung mit den zukünftigen Krebsstellen mit nur etwa 38 Prozent Genauigkeit. Dieser niedrige Wert verdeutlicht, wie schwierig es für eine Maschine ist zu verstehen, dass ein Tumor schrumpfen, verschwinden oder an einen neuen Ort wandern kann. Der Computer neigte dazu, anzunehmen, dass wenn ein Fleck zuvor da war, er auch später noch da sein würde, was zu Fehlern führte, wenn der Krebs tatsächlich verschwand oder neue Stellen auftauchten. Die Studie legt nahe, dass Computer zwar exzellent darin werden, das zu finden, was derzeit sichtbar ist, wenn sie ein wenig menschliche Hilfe erhalten, aber noch nicht bereit sind, das zukünftige Verhalten einer Krankheit zuverlässig vorherzusagen.

Der Wettbewerb zeigte auch, dass die Art des Krebses und die spezifische Maschine, die die Bilder aufnimmt, eine große Rolle spielten. Programme, die bei einem Satz von Bildern gut funktionierten, hatten manchmal Schwierigkeiten mit einem anderen, was zeigt, dass die Werkzeuge immer noch sensibel auf die spezifischen Bedingungen reagieren, unter denen die Scans aufgenommen wurden. Die Forscher stellten fest, dass der Computer besonders gut darin war, große, helle Flecken zu finden, aber oft kleinere, schwächere übersah, die am gefährlichsten sind, weil sie leicht übersehen werden können. Durch das Testen dieser Systeme an tausenden echten Patientenscans aus mehreren Ländern lieferte die Studie ein klares Bild davon, wo die Technologie heute steht. Sie bestätigte, dass der vielversprechendste Weg nach vorne nicht darin besteht, den Arzt durch eine Maschine zu ersetzen, sondern eine Partnerschaft aufzubauen, in der der Computer die schwere Arbeit des Findens der Flecken übernimmt und der menschliche Experte einspringt, um die schwierigen Teile zu korrigieren.

Letztendlich zeigt diese Arbeit, dass die Zukunft der Krebsbildgebung höchstwahrscheinlich in dieser Art von Zusammenarbeit liegt. Der Computer kann die riesige Menge an Daten in Sekunden verarbeiten und bietet einen ersten Entwurf der Diagnose, während der Arzt das endgültige Urteil fällt, um sicherzustellen, dass nichts übersehen wird. Die Studie kommt zu dem Schluss, dass, während der Traum von einem vollautomatischen System, das die Progression der Krankheit vorhersagen kann, noch außer Reichweite liegt, die Werkzeuge für eine interaktive, assistierte Diagnose bereit sind, um in echten Kliniken getestet zu werden. Durch die Kombination der Geschwindigkeit künstlicher Intelligenz mit dem nuancierten Verständnis eines menschlichen Experten können Ärzte den Krebs möglicherweise bald präziser verfolgen und Behandlungen schneller anpassen, was den Patienten eine bessere Chance auf Genesung gibt. Der Weg nach vorne ist klar: Systeme zu bauen, die aus menschlicher Korrektur lernen, anstatt zu versuchen, den Menschen ganz zu ersetzen.