Die Treffsicherheit künstlicher neuronaler Netze in der radiologischen Differentialdiagnose solitärer Knochenläsionen

Zusammenfassung

Ziel: Zweck dieser Untersuchung war es, den Nutzen künstlicher neuronaler Netze (KNN) für die Differenzierung von Knochentumoren und tumorähnlichen Läsionen zu ermitteln.

Material und Methoden: Verschiedene KNN sollten auf der Grundlage von 28 klinischen und radiologischen Merkmalen zwischen 23 Arten von Knochentumoren und tumorähnlichen Läsionen unterscheiden und diese als benigne oder maligne einstufen. Die vorwärts gekoppelten Netzwerke mit einem Algorithmus zur Fehlerrückführung wurden entweder mit 46 hypothetischen Fällen oder mit 115 realen Fällen trainiert. Die Datenbank für die Prüfung der Netzwerke beinhaltete 115 reale Rälle (5 je mögliche Diagnose), welche nicht in der Trainingsdatenbank enthalten waren. Die Leistungsfähigkeit der Netze wurde mit der eines erfahrenen Radiologen verglichen und mit Hilfe einer ROC-Analyse ausgewertet.

Ergebnisse: Dabei erwies sich die diagnostische Treffsicherheit des Radiologen als signifikant höher als die der KNN (⁶⁹/₁₁₅ vs. ⁴¹/₁₁₅; p< 0.001), und die Fläche unter seiner ROC-Kurve (bezogen auf die Differenzierung zwischen benigne und maligne) war etwas größer als die zweier gut trainierbarer KNN (0.973 vs. 0.945 und 0.973 vs. 0.962; n.s.).

Schlußfolgerung: Somit sind die erprobten KNN potentiell in der Lage, zwischen benignen und malignen Läsionen zu unterscheiden. Sie sind jedoch nicht fähig, zwischen 23 verschiedenen Läsionen zu differenzieren.

Summary

Purpose: To evaluate the usefulness of artificial neural networks (ANN) for differential diagnosis of bone tumours and tumour-like lesions.

Material and Technique: Different ANN were designed to distinguish between 23 types of bone lesions and to classify these lesions as benign or malignant on the basis of 28 items of clinical and radiographic information. Training of the feed-forward networks with a back-propagation algorithm was performed using either 46 hypothetical examples or 115 real cases. The data base for testing the different ANN included 115 clinical cases (5 cases for each possible diagnosis), which were different from the examples used for training. The decision performance of the ANN was evaluated by means of ROC analysis. Results were compared to the performance of an experienced radiologist.

Results: The radiologist was significantly superior in finding the correct diagnosis (⁶⁹/₁₁₅ vs. ⁴¹/₁₁₅; p< 0.001) and the area under his ROC curve (referring to the discrimination between benign and malignant lesions) was slightly larger than that of two different ANN (0.973 vs. 0.945 and 0.973 vs. 0.962 resp.; differences not significant).

Conclusion: ANN may be potentially useful to distinguish between malignant and benign lesions, but their performance in differentiating between 23 diagnoses must be improved significantly.

Künstliches neuronales Netz - Knochentumor - Solitäre Knochenläsion - Computergestützte Diagnose

Artificial neural network - Bone tumour - Tumour-like lesion - Computer assisted diagnosis