Detection of extraprostatic extension of prostate cancer by transfer learning AI models versus radiologists on biparametric and multiparametric MRI

Prostatakrebs ist die häufigste Krebsart bei Männern in den Vereinigten Staaten, und die Bestimmung, wie weit die Krankheit gestreut hat, ist ein entscheidender Schritt bei der Entscheidung über die Behandlung. Wenn ein Tumor innerhalb der Prostata begrenzt bleibt, können Ärzte ihn oft durch eine Operation entfernen, die wichtige Nerven schont. Wenn der Krebs jedoch über die äußere Grenze der Drüse hinausgedrungen ist – ein Zustand, der als extraprostatische Extension bekannt ist –, muss der Behandlungsplan geändert werden. Chirurgen müssen möglicherweise breitere Geweberänder entfernen, und Patienten benötigen möglicherweise zusätzliche Therapien wie Strahlentherapie oder Hormonbehandlungen, um eine Rückkehr des Krebses zu verhindern. Jahrzehntelang haben sich Ärzte auf die Magnetresonanztomographie, oder MRT, verlassen, um diese Anzeichen einer Ausbreitung vor einer Operation zu erkennen. Obwohl diese Scans leistungsstark sind, ist das Lesen von ihnen schwierig. Die Anzeichen dafür, dass ein Tumor die Kante der Drüse durchbricht, können subtil sein, und selbst erfahrene Spezialisten übersehen sie manchmal oder sind sich uneinig darüber, was sie sehen.

Um dieser Herausforderung zu begegnen, setzten sich Forscher der NYU Grossman School of Medicine und der University of Washington zusammen, um zu prüfen, ob künstliche Intelligenz die Geschicklichkeit menschlicher Radiologen bei der Erkennung dieser spezifischen Art der Krebsausbreitung erreichen kann. Sie konzentrierten sich auf zwei Arten von MRT-Scans: eine Standardversion, die verschiedene Arten von Daten nutzt, und eine gestraffte Version, die weniger Sequenzen verwendet, aber schneller und kostengünstiger durchzuführen ist. Die Forscher entwickelten Computermodelle, die in der Lage waren, aus tausenden vergangenen Patienten-Scans zu lernen, um die Muster zu erkennen, die mit einem Krebs assoziiert sind, der über die Grenze der Prostata hinausgedrungen ist. Ihr Ziel war nicht nur zu sehen, ob die Maschinen lernen konnten, sondern auch festzustellen, ob sie dies tun konnten, ohne dass ein Mensch zuvor detaillierte Umrisse um die Prostata oder den Tumor zeichnen musste – ein Prozess, der langsam und anfällig für menschliche Fehler ist.

Die Studie umfasste eine große Gruppe von Patienten, die zwischen 2015 und 2023 MRT-Scans der Prostata erhalten hatten und in der Folge ihre Prostata chirurgisch entfernt bekamen. Diese chirurgische Entfernung lieferte die „Ground Truth“ (den Goldstandard), wodurch die Forscher genau wussten, welche Patienten Krebs hatten, der gestreut hatte, und welche nicht. Das Team teilte diese Daten in Gruppen auf, um ihre Computermodelle zu trainieren und zu testen. Sie erstellten zwei Versionen eines Systems der künstlichen Intelligenz. Die erste Version betrachtete ausschließlich die Bilder des gestrafften MRT, das die Struktur der Prostata und die Bewegung von Wassermolekülen durch sie erfasst. Die zweite Version betrachtete dieselben Bilder plus einen dritten Typ von Scan, der zeigt, wie die Prostata Kontrastmittel aufnimmt. Entscheidend war, dass keine der beiden Versionen erforderte, dass ein Mensch die Prostata oder den Tumor manuell auf dem Bildschirm umrandet. Stattdessen analysierte der Computer das gesamte Volumen des Scans auf einmal und lernte, die subtilen Texturen und Formen zu identifizieren, die darauf hindeuten, dass der Krebs die Grenze der Drüse durchbrochen hat.

Um zu sehen, wie gut diese Computermodelle abschnitten, verglichen die Forscher sie mit drei hochqualifizierten Radiologen, die auf abdominelle Bildgebung spezialisiert sind. Diese Experten überprüften dieselben Test-Scans, betrachteten zuerst die gestrafften Bilder und dann den vollständigen Satz an Bildern einschließlich des Kontrastmittels. Sie vergaben einen Score für jeden Scan basierend darauf, wie wahrscheinlich es war, dass der Krebs gestreut hatte. Die Ergebnisse zeigten, dass die Computermodelle genauso gut abschnitten wie die menschlichen Experten. Die Modelle konnten die Ausbreitung des Krebses mit einer Genauigkeit erkennen, die statistisch ununterscheidbar von den fellowship-ausgebildeten Radiologen war. Dieser Befund ist bedeutsam, da er darauf hindeutet, dass künstliche Intelligenz als zuverlässiges zweites Paar Augen dienen kann, was potenziell die Arbeitsbelastung der Ärzte verringert und sicherstellt, dass weniger Fälle von Ausbreitung übersehen werden.

Die Forscher untersuchten auch, ob das Hinzufügen der Kontrastmittelbilder half, die Diagnose zu stellen. Sowohl für die menschlichen Leser als auch für die Computermodelle führte der Blick auf den vollständigen Bildsatz inklusive des Kontrastmittels zu einer leichten Verbesserung der Genauigkeit. Die Menschen wurden besser darin, die Ausbreitung zu erkennen, und die Computermodelle wurden etwas präziser. Die Verbesserung war jedoch nicht dramatisch genug, um sie allein basierend auf diesen Daten als definitiven „Game-Changer“ zu deklarieren. Die Studie fand auch heraus, dass die Computermodelle besonders gut darin waren, größere Bereiche der Ausbreitung zu erkennen, während sowohl die Menschen als auch die Maschinen bei sehr kleinen, fokalen Bereichen, in denen der Krebs gerade erst durch die Grenze gedrungen war, eher Schwierigkeiten hatten. Diese Schwierigkeit mit kleinen, fokalen Fällen ist eine bekannte Einschränkung in diesem Bereich, da diese winzigen Anzeichen von Natur aus schwerer in jedem Scan zu erkennen sind.

Einer der bemerkenswertesten Aspekte dieser Arbeit ist, wie die Computermodelle trainiert wurden. Im Gegensatz zu vielen früheren Versuchen, die erforderten, dass Ärzte Stunden damit verbrachten, präzise Grenzen um die Prostata und den Tumor zu ziehen, bevor der Computer lernen konnte, lernten diese Modelle direkt aus den Rohbildern und den endgültigen chirurgischen Ergebnissen. Dieser Ansatz, bekannt als schwach überwachtes Lernen (weakly supervised learning), bedeutet, dass das System lernte, die Krankheit zu erkennen, ohne den Engpass der manuellen Umrandung. Die Forscher testeten auch, ob das Hinzufügen eines einfachen Bluttest-Messwerts, bekannt als prostataspezifisches Antigen-Dichte, der Analyse des Computers helfen würde. Während das Hinzufügen dieser klinischen Daten die Leistung des Modells leicht verbesserte, blieben die Bilder selbst der primäre Treiber der Diagnose.

Die Studie kommt zu dem Schluss, dass diese segmentierungsfreien KI-Modelle ein lebensfähiges Werkzeug zur Erkennung der Krebsausbreitung sind und mit Expertenradiologen gleichauf liegen. Während die Hinzunahme von Kontrastmittelbildern und klinischen Daten kleine Gewinne bot, ist der Kernbefund, dass die Maschinen lernen können, das zu sehen, was die Experten sehen, ohne den zeitaufwendigen Schritt des manuellen Nachzeichnens zu benötigen. Die Forscher räumten ein, dass ihre Arbeit an einem einzelnen medizinischen Zentrum durchgeführt wurde und dass die Modelle an Daten aus verschiedenen Krankenhäusern und mit verschiedenen Arten von MRT-Geräten getestet werden müssen, um sicherzustellen, dass sie überall funktionieren. Sie merkten auch an, dass die Studie retrospektiv war, was bedeutet, dass sie auf vergangene Daten zurückblickte, und dass zukünftige Arbeiten darauf abzielen sollten, die Modelle zu verfeinern, um die kleinsten, schwierigsten Fälle der Ausbreitung zu erfassen. Für den Moment zeigt die Arbeit, dass die künstliche Intelligenz einen Punkt erreicht hat, an dem sie in einer hochriskanten diagnostischen Aufgabe mit menschlichen Spezialisten Schritt halten kann, was einen vielversprechenden Weg zu einer konsistenteren und zugänglicheren Krebsversorgung eröffnet.