Die Bedeutung multimodaler Bildgebung und klinischer Informationen für Menschen und KI-basierte Algorithmen bei der Klassifikation von Brustläsionen (INSPiRED 003): eine internationale, multizentrische Analyse

Zielsetzung Algorithmen basierend auf künstlicher Intelligenz (KI) haben vergleichbare Leistung zu Menschen in der Analyse medizinscher Bilder gezeigt. In der klinischen Realität werden Diagnosen jedoch basierend auf mehreren Bildmodalität sowie zusätzlichen klinischen Informationen gestellt. Wir haben die Bedeutung dieser multimodalen Informationen untersucht und die diagnostische Güte der Routine Brustkrebsdiagnostik mit der Interpretation von Brustultraschallbildern durch Menschen und KI-basierten Algorithmen verglichen.

Methoden Wir berichten die Ergebnisse einer multizentrischen, internationalen klinischen Studie (NCT02638935, 12 Studienzentren in 7 Ländern). 1288 Patientinnen erhielten eine Routine Brustkrebsdiagnostik (multimodale Bildgebung, demographische und klinische Informationen). Drei ÄrztInnen, spezialisiert in Brustultraschall, führten eine Zweitbewertung aller Ultraschallbilder durch. Wir nutzen Daten von 11 der 12 Studienzentren, um zwei machine learning (ML) Algorithmen anhand unimodaler Informationen (Ultraschalleigenschaften generiert durch die UltraschallexpertInnen) in der Klassifikation von Brustläsionen zu trainieren, welche anhand des zwölften Zentrums validiert wurden. Dieselben ML Algorithmen wurden anschließend anhand multimodaler Informationen (klinische und demographische Informationen sowie die Ultraschalleigenschaften) trainiert und validiert. Die diagnostische Güte wurde mittels area under the curve (AUC) gemessen.

Ergebnisse Von 1288 Brustläsionen, waren 368 (28.6%) histopathologisch maligne. Im externen Validierungsset (n= 373), war die Güte der beiden unimodalen ML Algorithmen (AUC 0.83 und 0.82) vergleichbar mit den menschlichen UltraschallexpertInnen (AUC 0.82 bis 0.84, P für alle Vergleiche >0.05). Die multimodalen Ultraschall-ML Algorithmen zeigten eine höhere diagnostische Güte (AUC 0.90 und 0.89), waren jedoch immer noch der Routine Brustkrebsdiagnostik unterlegen (AUC 0.95, P für alle Vergleiche ≤0.05).

Zusammenfassung Die diagnostische Güte von Menschen und KI-basierten Algorithmen verbessert sich mit multimodalen Informationen.

Publication History

Article published online:
21 June 2022