Rofo 2013; 185 - VO202_4
DOI: 10.1055/s-0033-1346263

MRT und maschinelles Lernen: eine optimale Kombination für die Diagnose von frühem, nichtinvasivem Brustkrebs?

PA Baltzer 1, M Dietzel 2, WA Kaiser 3
  • 1Univ. Klinik für Radiodiagnostik, Allgemeinradiologie, Wien
  • 2Universitätsklinikum Erlangen, Abteilung für Neuroradiologie, Erlangen
  • 3Universitätsklinikum Jena, IDIR 1, Jena

Ziele: Die Diagnose von ductalem carcinoma in situ (DCIS) mittels Magnetresonanztomografie (MRT) wird kontrovers diskutiert. Während sich DCIS in der Mehrzahl der Fälle als Kontrastmittelanreicherung darstellt, weisen diese Läsionen nicht die typischen morphologischen und Anreicherungscharakteristika invasiver Karzinome auf. Insbesondere die gutteils nicht solide, diffus lokalisierte Erscheinung weist Überschneidungen mit proliferativen mastopathischen Veränderungen (PMV) auf. Folglich bleibt die Diagnose von DCIS eine Herausforderung. Die vorliegende Arbeit untersucht erstmals die Treffsicherheit der MRT zur Differenzierung zwischen DCIS und PMV unter Verwendung artifizieller neuronaler Netze. Methode: In diese Studie wurden konsekutive Patienten eingeschlossen, welche sich einer histologischen Diagnosesicherung nach MRT der Mamma unterzogen. Weitere Einschlußkriterien waren die histopathologische Diagnose eines DCIS oder PMV. Ausgeschlossen wurden Fälle mit invasiver Diagnostik oder Therapie unmittelbar vor MRT. Definierte kategoriale Diagnosekriterien wurden durch zwei erfahrene Radiologen im Konsensus bewertet. Eine Herdklassifikation wurde durch nicht supervidiertes maschinelles Lernen unter Verwendung von artifiziellen neuronalen Netzen (ANN) erreicht. Die optimale ANN Architektur wurde mittels automatisierter Selektionsroutinen erreicht. Ergebnis: 219 PMV and 69 DCIS wurden identifiziert. Von 20 initial trainierten ANN, zeigten 3 ANN basierend auf einer Mehrschicht-Perceptron Architektur die höchste Treffsicherheit (86,2%). Schlussfolgerung: Subtile Unterschiede zwischen DCIS und benignen PMV können unter Verwendung von Methoden des maschinellen Lernens zur Klassifikation von durch Radiologen bewerteten Diagnosekriterien zur Differentialdiagnose herangezogen werden. Die Ergebnisse der vorgelegten Arbeit zeigen hier eine hohe Treffsicherheit.

Korrespondierender Autor: Baltzer PA

Univ. Klinik für Radiodiagnostik, Allgemeinradiologie, Währinger Gürtel 18 – 20, 1090, Wien

E-Mail: patbaltzer@gmail.com