ECR 2023 – Künstliche Intelligenz in der Prostata-MRT

×

ECR 2023 – Künstliche Intelligenz in der Prostata-MRT

Radiolog:innen wünschen sich eine KI, die die Befundung erleichtert und zu weniger Biopsien führt. Tobias Penzkofer aus Berlin erklärt, was KI in der Prostata-MRT derzeit leisten kann und was die Zukunft hoffentlich bringen wird.

• Präsentationstag:

  03.03.2023 0 Kommentare
• Autor:

  biho/ktg
• Sprecher:

  Tobias Penzkofer, Berlin
• Quelle:

  ECR 2023

Was KI leisten sollte

Eine unterstützende KI ist in der Prostata-Bildgebung willkommen, meint Penzkofer: „Die Arbeitsbelastung der Radiologen nimmt rasant zu.“ Folgendes sollte eine KI leisten:

• Schnelle Befundung
• Hoher negativer prädiktiver Wert (NPV), um unnötige Biopsien zu vermeiden
• Hoher positiver prädiktiver Wert (PPV), um die Detektion maligner Läsionen sicherzustellen
• Geringe Inter-Befunder:innen-Variabilität
• Hohe Spezifität, um eine eindeutige diagnostische Entscheidung zu erleichtern
• Nahtlose Integration in den klinischen Arbeitsablauf

Was KI leisten kann

Eine gängige KI-Funktion ist die Bestimmung des Prostatavolumens. Ein weiterer Anwendungsbereich ist die Berechnung der PSA-Dichte (Quotient aus PSA und Prostatavolumen). Die meisten KI-Systeme für Prostata-MRT bieten auch eine Art Heatmap zur Lokalisierung von Läsionen an. „Heutzutage sollte aber auch eine Segmentierung von Läsionen möglich sein“, so Penzkofer. „Die KI sollte Dichte, Volumen und Durchmesser der Läsion berechnen.“

Was vor dem Kauf einer KI zu beachten ist

Patientenpopulation

„Sie werden vermutlich verschiedene KI-Systeme für verschiedene klinische Szenarien benötigen“, so Penzkofer. Die klinische Frage hängt von der Patientenpopulation ab: Ein Biopsie-naiver Patient und ein Patient unter Beobachtung stellen zwei völlig unterschiedliche Szenarien dar. „Wenn bei einem Biopsie-naiven Patienten mit einem leicht erhöhten PSA-Wert viele Läsionen vom Gleason-Grad 3 gefunden werden, könnte das zu einer Überbehandlung führen. Außerdem macht sich der Patient womöglich unnötige Sorgen“, so Penzkofer. „Wenn wir 'alles, was da ist', detektieren wollen, erweisen wir dem Patienten keinen guten Dienst.“

Anders verhält es sich bei einem Patienten mit steigendem PSA-Wert, der bereits negative Biopsien und mehrere MRT-Untersuchungen ohne Befund durchlaufen hat. „Dann ist es entscheidend, den Krebs zu finden“, so Penzkofer. Für diese Szenarien müssen jeweils passende Algorithmen existieren.

Regelmäßige KI-Updates

Kann das KI-System mit neueren Scannern, neuen Sequenzen und Software-Updates Schritt halten? Die Halbwertszeit eines Scanners beträgt ein bis zwei Jahre, so Penzkofer. „Wenn der Entwickler der KI mit diesen Neuerungen nicht Schritt halten kann, wird sich die Befundungsqualität der KI womöglich verändern – und Sie werden dies nicht sofort bemerken“, sagte er. „Diese Probleme werden künftig wahrscheinlich gelöst werden, aber noch sind sie nicht gelöst.“

Ground Truth abhängig von Protokoll und Scanner

"Bitte bedenken Sie, dass die Leistung einer KI extrem abhängig von der Qualität der Bilder ist, die Sie befunden soll – wahrscheinlich mehr als ein Radiologe", sagte Penzkofer. "Die Ground Truth der KI-Systeme beruht auf Bildern, die keine Artefakte enthalten, die mit den gleichen Protokollen und mit dem gleichen Scanner aufgenommen wurden. Das gibt es in der klinischen Realität nicht. Die Qualität der Bilder unterscheidet sich, Protokolle ändern sich, und Sie verwenden nicht immer denselben Scanner. Dies kann zu Problemen bei der KI-Entscheidungsfindung führen."

Ausblick

Penzkofer sieht einen hohen Nutzen für KI in der Prostata-MRT; es fehlt jedoch an Evidenz aus prospektiven Studien, die den klinischen Nutzen bestätigen.

Auf Nachfrage nutzte rund ein Drittel der anwesenden Radiolog:innen eine kommerzielle Prostata-KI-Lösung. Unter den verbliebenen zwei Dritteln würde kaum jemand jetzt ein KI-System kaufen. Die meisten hoffen, dass bald eine Scanner-integrierte Version auf den Markt kommt.

Schlussfolgerung

Praktische Überlegungen sollten die Kaufentscheidung für eine KI leiten:

• Ist die KI auf die Patientenpopulation in der Institution zugeschnitten, und kann sie an eine individuelle Fragestellung angepasst werden?
• Mit welchen Daten wurde die KI trainiert? Worauf basiert die Ground Truth?
• Gibt es Evidenz aus prospektiven Studien für den klinischen Wert der KI?