Geburtshilfe Frauenheilkd 2016; 76 - FV005
DOI: 10.1055/s-0036-1593242

Die Verwendung automatisch generierter Texturmerkmale zur Bestimmung der Wahrscheinlichkeit, dass ein mit Ultraschall entdeckter Tumor auf dem Mammogramm übersehen wird

L Häberle 1, 2, CC Hack 1, K Heusinger 1, F Wagner 3, F Heindl 1, P Gaß 1, SM Jud 1, D Franz 3, C Vachon 4, M Uder 5, MW Beckmann 1, R Schulz-Wendtland 5, T Wittenberg 3, PA Fasching 1, 6
  • 1Universitäts-Brustzentrum Franken, Frauenklinik, Universitätsklinikum Erlangen, CCC Erlangen-EMN, Erlangen, Deutschland
  • 2Universitätsklinikum Erlangen, Frauenklinik, Biostatistikeinheit, Erlangen, Deutschland
  • 3Fraunhofer Institut für integrierte Schaltungen IIS, Erlangen, Deutschland
  • 4Mayo Clinic, Department of Health Sciences Research, Rochester, Minnesota, Vereinigte Staaten von Amerika
  • 5Universitäts-Brustzentrum Franken, Radiologisches Institut, Universitätsklinikum Erlangen, CCC Erlangen-EMN, Erlangen, Deutschland
  • 6University of California at Los Angeles, Department of Medicine, Division of Hematology and Oncology, David Geffen School of Medicine, Los Angeles, Vereinigte Staaten von Amerika

Kann die halbautomatische, zeitaufwendige Bestimmung der prozentualen mammographischen Dichte (PMD) durch vollautomatisch berechnete Texturmerkmale des Mammogramms ersetzt werden, um für eine Patientin das Risiko eines invasiven Mammakarzinoms, das zwar auf dem Ultraschallbild aber nicht auf dem Mammogramm sichtbar ist (Maskierung), vorherzusagen?

Diese retrospektive Studie umfasst 1.344 Frauen mit invasivem Mammakarzinom, die zwischen 2000 und 2009 in einem Universitätsbrustzentrum behandelt worden sind. Als Teil der diagnostischen Routine wurde für die gesamte Kohorte außer einem Mammogramm auch ein Ultraschallbild erstellt. Von jedem Mammogramm wurden 363 Texturmerkmale generiert. Verschiedene Variablenselektions- und Regressionstechniken (Univariate Selektion, Lasso, Boosting, Random Forest) wurden angewandt, um PMD aus den Texturmerkmalen zu schätzen. Die geschätzten PMD-Werte wurden dann zusammen mit weiteren klinischen Prädiktoren in logistischen Regressionsmodellen zur Vorhersage einer Maskierung verwendet. Die genaueste Vorhersage wurde schließlich durch Kreuzvalidierung bestimmt.

Ungefähr 1/3 der Texturmerkmale wurde zur Vorhersage von PMD ausgewählt. Die mit Boosting geschätzte PMD war der beste Ersatz der halbautomatisch bestimmten PMD zur Vorhersage einer Maskierung. Das zugehörige logistische Regressionsmodell konnte insgesamt besser unterscheiden zwischen Tumore, die auf dem Mammogramm nicht sichtbar sind, und denen, die sichtbar sind (kreuzvalidierter AUC = 0,747), als ein klinisches Regressionsmodell ohne PMD (AUC = 0,734) aber schlechter als dasjenige mit der ursprünglichen PMD (AUC = 0,753). Für Patientinnen mit einem geschätzten Maskierungsrisiko > 10%, welche ungefähr die Hälfte aller übersehener Tumore ausmachen, war das Boostingmodell mindestens so genau wie das Modell mit der ursprünglichen PMD.

Obwohl die Vorhersagegüte insgesamt nicht erreicht werden konnte, war bei einer klinisch relevanten Patientengruppe die Genauigkeit der vollautomatischen Methode mindestens so gut wie die halbautomatische.