A multimodal CT-based machine-learning model for differentiating pulmonary sarcomatoid carcinoma from conventional non-small cell lung cancer: an internally validated study

Lungenkrebs ist nicht eine einzige Krankheit, sondern eine Sammlung verschiedener Zustände, die einen gemeinsamen Ort teilen. Unter diesen ist eine seltene und aggressive Form namens pulmonale sarkomatoide Karzinom besonders schwierig zu identifizieren, bevor ein Chirurg ein Stück Gewebe für die mikroskopische Untersuchung entfernt. Im Gegensatz zu den häufigeren Arten von Lungenkrebs verhält sich diese spezifische Variante anders und erfordert oft einen differenzierten Behandlungsansatz. Die Herausforderung für Ärzte besteht darin, dass Standard-Scans, die Röntgenstrahlen verwenden, um detaillierte Querschnitte des Körpers zu erstellen, diese seltene Krebsart oft exakt wie die gewöhnliche Art aussehen lassen. Ohne einen klaren visuellen Unterschied könnten Patienten länger auf die korrekte Diagnose warten oder einen Behandlungsplan erhalten, der nicht perfekt auf ihre spezifische Erkrankung abgestimmt ist.

Um diese Ungewissheit anzugehen, setzte sich ein Forscherteam zum Ziel zu prüfen, ob ein Computer lernen kann, die subtilen Unterschiede zu erkennen, die dem menschlichen Auge entgehen. Sie sammelten Scans von fast vierhundert Patienten aus drei verschiedenen medizinischen Zentren, darunter dreiundachtzig Personen mit der seltenen sarkomatoiden Form und dreihundertvierzehn mit der konventionellen Form. Die Forscher speisten diese Daten in ein System des maschinellen Lernens ein, eine Art von Software, die darauf ausgelegt ist, Muster in großen Informationsmengen zu finden. Sie testeten verschiedene Methoden, um den Computer zu trainieren: Eine Methode stützte sich nur auf die Krankengeschichte des Patienten und grundlegende Beobachtungen aus dem Scan, eine andere betrachtete ausschließlich die mathematische Textur des Tumors, und eine dritte versuchte, ein komplexes, vortrainiertes System der künstlichen Intelligenz zu nutzen, das von Millionen anderer Bilder gelernt hatte. Sie bauten auch ein Modell, das all diese Informationsquellen kombinierte, in der Hoffnung, dass ein vollständiges Bild das beste Ergebnis liefern würde.

Die Studie ergab, dass der erfolgreichste Ansatz derjenige war, der die klinischen Details des Patienten mit einer detaillierten Analyse der Tumortextur verband. Dieses kombinierte Modell konnte zwischen den seltenen und den gewöhnlichen Krebsarten mit einem hohen Maß an Genauigkeit unterscheiden, wobei es die seltene Art in etwa sechsundachtzig Prozent der Fälle korrekt identifizierte, während es sie in etwa sechsundsiebzig Prozent der anderen Fälle korrekt ausschloss. Ein entscheidendes physisches Merkmal, das dem Computer half, diese Entscheidung zu treffen, war das Vorhandensein von Bereichen mit niedriger Attenuation innerhalb des Tumors – dies sind im Wesentlichen Gewebetaschen, die auf dem Scan dunkler erscheinen, was darauf hindeutet, dass sie weniger dicht sind als die umgebende Masse. Die Größe und das Vorhandensein dieser dunkleren Taschen waren stark mit der seltenen Form der Erkrankung verknüpft.

Die Forscher entdeckten jedoch auch, was nicht funktionierte. Das komplexe, vortrainierte System der künstlichen Intelligenz, von dem viele erwarten würden, dass es das leistungsfähigste Werkzeug sei, fügte allein keine nützlichen Informationen hinzu. Es schnitt nicht besser ab als das bloße Raten, wenn es versuchte, die beiden Krebsarten voneinander zu unterscheiden. Darüber hinaus stellte das Team fest, dass die Art und Weise, wie die Scans aufgenommen wurden – wie etwa die spezifischen Einstellungen am CT-Gerät oder das Krankenhaus, in dem der Scan durchgeführt wurde – einen überraschend großen Einfluss auf die Ergebnisse hatte. Tatsächlich waren die Unterschiede in der Art der Bildaufnahme manchmal stark genug, um die Gruppen allein voneinander abzugrenzen. Dies deutet darauf hin, dass der Computer zwar reale Muster im Gewebe fand, sein Erfolg jedoch teilweise durch die technischen Variationen zwischen den verschiedenen Krankenhäusern beeinflusst worden sein könnte.

Aufgrund dieser technischen Einflüsse mahnen die Autoren zur Vorsicht und geben an, dass dieses Werkzeug noch nicht bereit für den Einsatz in einem Krankenhaus zur Treffen endgültiger Entscheidungen ist. Das Modell wurde nur mit den Daten getestet, mit denen es trainiert wurde, und es wurde noch nicht bewiesen, dass es bei Scans von anderen Geräten oder anderen Patientengruppen funktioniert. Die Forscher beschreiben ihre Arbeit als einen wichtigen Schritt, der vielversprechend ist, insbesondere indem er den Wert hervorhebt, genau auf die Textur des Tumors und das Vorhandensein dieser dunkleren, weniger dichten Bereiche zu achten. Sie betonen, dass ein negatives Ergebnis eines solchen Modells die seltene Krebsart nicht ausschließen kann und dass, bevor diese Technologie Ärzten helfen kann, sie in einem breiteren Umfeld validiert werden muss, in dem die Scans auf eine standardisierte Weise aufgenommen werden. Bis dahin beruht der Weg zu einer definitiven Diagnose weiterhin auf der traditionellen Methode, das Gewebe unter einem Mikroskop zu untersuchen.