Interpretierbares maschinelles Lernen in der Diagnostik von Verkalkungen in der Brust in der Cone-beam Brust CT und digitalen Vollfeldmammographie

Zielsetzung Evaluierung von interpretierbaren maschinellen Lernverfahren zur Unterscheidung von benignen und malignen Verkalkungen in der digitalen Vollfeldmammografie (FFDM) und der cone-beam Brust-CT (CBBCT). Besonderes Augenmerk liegt auf der Identifikation von Features, die in der Klassifikation das größte Gewicht haben, dem Vergleich von CBBCT und MG und im Vergleich der diagnostischen Genauigkeit (AUC) mit der von erfahrenen Radiologinnen.

Material und Methoden Der klinische Datensatz umfasste 90 histologisch gesicherte Verkalkungen mit Angaben zu Lage, Größe, Alter und Menopausenstatus der Patientinnen. Zwei Radiologinnen mit mehrjähriger Erfahrung in der Brustdiagnostik beurteilten die Morphe und Verteilung der Verkalkungen und bewerteten die Läsionen nach den aktuell geltenden BI-RADS Kriterien hinsichtlich ihrer Malignitätswahrscheinlichkeit. Basierend auf den erhobenen Parametern wurden Ensemble-basierte Modelle (Gradient Boosted Trees und Random Forests) trainiert und anschließend mittels SHapley Additive exPlanations (SHAP) interpretiert.

Ergebnisse Die FFDM zeigt sich gegenüber der CBBCT in der AUC bei Verkalkungen überlegen, dies gilt sowohl für die menschliche Auswertung als auch für maschinelle Verfahren. Maschinelles Lernen erreicht eine vergleichbare AUC wie die Radiologinnen sowohl in der FFDM als auch in der CBBCT. Die wichtigsten Features in der Vorhersage benigne/maligne waren Morphe und Verteilung. Mit Hilfe von SHAP können Fehlklassifikationen erklärt und durch Intervention korrigiert werden („counterfactual explanations“).

Schlußfolgerungen Maschinelle Lernverfahren eignen sich zur Unterscheidung maligner und benigner Verkalkungen in der CBBCT und FFDM und zeigen eine vergleichbare diagnostische Genauigkeit zu erfahrenen Radiologinnen. Dabei erlaubt die Interpretierbarkeit Einblicke in Modellentscheidungen, ist ein Schlüssel für die Akzeptanz durch menschliche Nutzer und hilft dabei, wichtige Bausteine auf dem Weg zur Diagnose zu erkennen und zu hinterfragen.

Publikationsverlauf

Artikel online veröffentlicht:
29. August 2022