Mammographie-KI könnte eine Rolle bei der Vorhersage des Brustkrebsrisikos spielen
Studie von Kaiser Permanente zeigt, dass Algorithmen der künstlichen Intelligenz besser funktionieren als häufig verwendete Tools zur Vorhersage des Brustkrebsrisikos
Von Sue Rochman
Algorithmen der künstlichen Intelligenz, die darauf trainiert sind, Mammographien zu lesen, waren ein besserer Indikator für das zukünftige Brustkrebsrisiko einer Frau als ein häufig verwendetes Instrument zur Bewertung des Brustkrebsrisikos, wie eine neue Studie von Kaiser Permanente ergab.
Die am 6. Juni in Radiology veröffentlichte Studie legt nahe, dass die risikobezogenen bildgebenden Biomarker, die in Mammographien zu sehen sind – die Computer identifizieren und zur Erstellung eines Risikoscores verwenden können – Ärzten dabei helfen können, Frauen personalisiertere Empfehlungen zur Brustkrebsvorsorge zu geben.
„Wir brauchen genauere und effizientere Methoden, um das zukünftige Brustkrebsrisiko einer Frau einzuschätzen“, sagte der Hauptautor der Studie, Vignesh Arasu, MD, PhD, ein Forschungswissenschaftler an der Kaiser Permanente Division of Research und Radiologe, der sich auf Brustbildgebung bei The Permanente spezialisiert hat Medizinische Gruppe. „Unsere Studie zeigt, dass in Mammographien, die für einen Radiologen negativ erscheinen – das heißt, es gibt keine Anzeichen eines Tumors – Informationen vorhanden sind, die Computer erkennen können und die bei der Einschätzung des Risikos einer Frau, in den nächsten fünf Jahren an Brustkrebs zu erkranken, hilfreich sein können. "
An der retrospektiven Studie nahmen 324.000 Frauen teil, bei denen im Jahr 2016 im Kaiser Permanente Northern California eine Mammographie durchgeführt wurde, bei der keine Anzeichen von Brustkrebs festgestellt wurden. Keine der Frauen hatte zuvor Brustkrebs oder es wurde eine genetische Mutation diagnostiziert, die das Brustkrebsrisiko erhöht. Etwa 24 % der Frauen waren zum Zeitpunkt der Mammographie jünger als 50 Jahre, und etwa 87 % hatten keinen Verwandten ersten Grades, der an Brustkrebs erkrankt war.
In den nächsten 5 Jahren wurde bei 4.584 der Frauen Brustkrebs diagnostiziert. Davon wurde bei 83 % invasiver Brustkrebs und bei 17 % ein nicht-invasives duktales Carcinoma in situ (DCIS) diagnostiziert. Die Studie verglich diese Frauen mit 13.435 der 324.000 Frauen in der ursprünglichen Gruppe, die keinen Brustkrebs entwickelten.
Die Forscher ließen fünf Algorithmen der künstlichen Intelligenz (KI) einen 5-Jahres-Brustkrebsrisiko-Vorhersagewert aus den Mammographiebildern dieser Frauen im Jahr 2016 ermitteln.
Die Forscher verwendeten außerdem das klinische Risikomodell des Breast Cancer Surveillance Consortium (BCSC), um das Risiko jeder Frau zu bewerten, in den nächsten fünf Jahren an Brustkrebs zu erkranken. Das Modell prognostiziert das Risiko anhand von Alter, Rasse oder ethnischer Zugehörigkeit, Brustkrebserkrankungen ersten Grades in der Familie, Anzahl früherer gutartiger Brustbiopsien und mammografischer Brustdichte. Der Score jeder Frau wurde anhand klinischer Daten in ihrer elektronischen Gesundheitsakte zum Zeitpunkt ihrer Mammographie im Jahr 2016 berechnet.
Die Studie zeigte, dass die Frauen mit den höchsten BCSC-Risikowerten – dem obersten 90. Perzentil – 21,1 % aller Krebserkrankungen in den nächsten fünf Jahren ausmachten. Im Vergleich dazu waren die Frauen mit den höchsten AI-Risikowerten für 24 % bis 28 % aller Krebserkrankungen verantwortlich.
„Derzeit werden die meisten KI-Algorithmen, die darauf trainiert sind, Mammogramme zu lesen, verwendet, um einen sichtbaren Krebs zu kennzeichnen, um Radiologen zu unterstützen“, sagte Arasu. „Aber diese Algorithmen können neben der Brustdichte auch bildgebende Biomarker auf Mammographien erkennen, die uns sagen, dass im Brustgewebe Veränderungen stattfinden, die zur Risikovorhersage verwendet werden können.“
Die Forscher verwendeten außerdem eine statistische Methode namens „Area under the Curve“ (AUC), um zu vergleichen, wie gut jedes Risikomodell vorhersagte, bei welchen Frauen innerhalb der nächsten fünf Jahre Brustkrebs diagnostiziert werden würde. Ein AUC-Ergebnis kann zwischen 0,0 (keine korrekten Vorhersagen) und 1,0 (alle Vorhersagen waren korrekt) liegen. Das BCSC-Modell hatte eine AUC von 0,61. Im Vergleich dazu hatten die KI-Modelle ein Risikovorhersageergebnis im Bereich von 0,63 bis 0,67.
Bei der Kombination der KI- und BSCS-Risikovorhersagen lag die AUC zwischen 0,66 und 0,68 und war damit höher als bei allen einzelnen KI-Algorithmen. Das kombinierte Modell schnitt mit einem AUC-Wert von bis zu 0,73 sogar noch besser bei der Vorhersage von Frauen ab, bei denen innerhalb eines Jahres nach ihrer Mammographie eine Intervall-Brustkrebsdiagnose gestellt wurde. Bei einem Intervallbrustkrebs handelt es sich um einen Tumor, der in der Zeit zwischen einer normal erscheinenden Screening-Mammographie und der nächsten geplanten Screening-Mammographie diagnostiziert wird – typischerweise, weil eine Frau einen Knoten in ihrer Brust findet. Intervallkrebs ist typischerweise ein schnell wachsender Krebs, der sich eher auf andere Körperteile ausbreitet.
„Die bessere Vorhersagefähigkeit für Intervallkrebs zeigt uns, dass KI aggressive Brustkrebsarten identifiziert, die zuvor bei Routineuntersuchungen übersehen wurden“, sagte Arasu.
Die Forscher sagen, dass ihre Ergebnisse darauf hindeuten, dass KI allein oder in Kombination mit aktuellen Risikovorhersagemodellen einen neuen Weg für zukünftige Risikovorhersagen bietet.
„Derzeit verwenden klinische Radiologen hauptsächlich KI mit Mammographie, um einen Brusttumor zu identifizieren“, sagte Arasu. „Aber die Ergebnisse unserer Studie unterstützen den Einsatz von KI zur Erstellung eines prädiktiven Risikoscores, der uns Aufschluss darüber geben kann, wie hoch das Risiko einer Frau ist, in den nächsten fünf Jahren an Brustkrebs zu erkranken. Die Verwendung dieser Informationen zusammen mit anderen bekannten Risikofaktoren könnte uns dabei helfen, davon Abstand zu nehmen.“ einheitliche Screening-Empfehlungen und Entwicklung personalisierter Brustkrebs-Screening-Empfehlungen für Frauen auf der Grundlage ihrer individuellen Risikofaktoren.“
Die Studie wurde vom Delivery Science and Applied Research Program der Permanente Medical Group und dem National Cancer Institute finanziert.
Zu den Co-Autoren gehören Laurel A. Habel, PhD, Ninah S. Achacoso, MS, Lawrence H. Kushi, ScD, Vincent X. Liu, MD, Caitlin M. Lydon, MPH, und Catherine Lee, PhD, von der Forschungsabteilung ; Diana SM Buist, PhD, vom Kaiser Permanente Washington Health Research Institute; Jason B. Cord, MD, und Donald A. Lewis, MS, von der Southern California Permanente Medical Group; Laura J. Esserman, MD, M. Maria Glymour, ScD, Nola M. Hylton, PhD, und John Kornak, PhD, von der University of California, San Francisco; Diana L. Miglioretti, PhD, von der University of California, Davis; Daniel A. Navarro, MD, von der Permanente Medical Group; Albert Pu, MS, von den Kaiser Foundation Hospitals; Li Shen, PhD, und Weiva Sieh, MD, von der Icahn School of Medicine am Mount Sinai; und Hyo-Chun Yoon, MD, PhD, von der Hawaii Permanente Medical Group.
# # #
Über die Forschungsabteilung von Kaiser Permanente
Die Kaiser Permanente-Forschungsabteilung führt, veröffentlicht und verbreitet epidemiologische und Gesundheitsforschung, um die Gesundheit und medizinische Versorgung der Kaiser Permanente-Mitglieder und der Gesellschaft insgesamt zu verbessern. Ziel ist es, die Determinanten von Krankheit und Wohlbefinden zu verstehen und die Qualität und Kosteneffizienz der Gesundheitsversorgung zu verbessern. Derzeit arbeiten die über 600 Mitarbeiter des DOR an mehr als 450 epidemiologischen Forschungsprojekten und Forschungsprojekten im Gesundheitswesen. Für weitere Informationen besuchen Sie divisionofresearch.kaiserpermanente.org oder folgen Sie uns @KPDOR.
Deine Email-Adresse wird nicht veröffentlicht. Erforderliche Felder sind markiert *
Name *
Email *
Webseite
Kommentar *
D
Über die Forschungsabteilung von Kaiser Permanente