Künstliche Intelligenz - neue Wege in der Diagnostik von Speicheldrüsentumoren

Einleitung Bösartige Speicheldrüsentumore stellen aufgrund ihrer großen Anzahl an histopathologischen Entitäten, ihres seltenen Auftretens und der Vielfalt der klinischen und histologischen Präsentation eine besondere Herausforderung in der Diagnostik dar. Ziel unserer Arbeit ist es, die Nützlichkeit von neuronalen Netzen (CNNs) als diagnostisches Hilfsmittel bei der Diagnose von Speicheldrüsentumoren zu untersuchen und zu vergleichen.

Methoden Es wurden histologische Schnitte von Tumorpräparaten von 141 Patienten verwendet. Diese wurden in kleine Bildausschnitte unterteilt, wodurch ca. 54000 Bilder entstanden, die dann manuell kategorisiert wurden, z.B. Mukoepidermoidkarzinom, Fettgewebe, normales Speicheldrüsengewebe etc. Die kategorisierten Bilder wurden dann in einem Trainings-, Validierungs- und Testlauf von den preisgekrönten und imagenet-vortrainierten CNNs Inception ResNetV2, Inception V3, ResNet152 und Xception verarbeitet.

Ergebnisse Aufgrund der verschiedenen Architekturen gibt es eine hohe Varianz in der Zeit, die die verschiedenen CNNs für den Trainings- und Validierungslauf benötigen. Außerdem zeigen die Ergebnisse eine hohe Sensitivität und Präzision von bis zu > 99% über alle CNNs hinweg. Einige Tumorentitäten sind eindeutig leichter zu erkennen als andere.

Schlussfolgerung Die zunehmende Leistungsfähigkeit automatisierter und KI-basierter Analysen histopathologischer Bilder könnte eine Lösung sein, um die Diagnose durch die Pathologen zu vereinfachen und Zeit bei der Diagnosefindung einzusparen. Darüber hinaus können einige Tumorentitäten sehr gut identifiziert werden, durch diese mögliche Zeitersparnis der Pathologen könnte mehr Freiraum entstehen, sich auf die schwierigeren Fälle zu konzentrieren.

Publikationsverlauf

Artikel online veröffentlicht:
24. Mai 2022