NewsMedizinCOVID-19: Künstliche Intelligenz ermöglicht schnelle Diagnose vor PCR-Test
Als E-Mail versenden...
Auf facebook teilen...
Twittern...
Drucken...

Medizin

COVID-19: Künstliche Intelligenz ermöglicht schnelle Diagnose vor PCR-Test

Mittwoch, 20. Mai 2020

/sudok1, stock.adobe.com

New York − Während einer Epidemie mit einem hoch ansteckenden Erreger wie SARS-CoV-2 kann eine rasche Diagnose eine nosokomiale Ausbreitung verhindern. Eine Klinik im Epizentrum der Epidemie setzt auf die Unterstützung von künstlicher Intelligenz, um die Treffsicherheit der Verdachtsdiagnosen zu erhöhen, mit Erfolg, wie eine Studie in Nature Medicine (2020; DOI: 10.1038/s41591-020-0931-3) zeigt.

Patienten mit COVID-19 werden typischerweise mit Fieber und Atemwegssymptomen wie Husten in die Klinik aufgenommen. Zu den Erstuntersuchungen gehört an größeren Kliniken eine Computertomografie (CT) des Thorax. Dort sind häufig, aber nicht immer, die typischen Veränderungen einer COVID-19-Pneumonie zu erkennen.

Anzeige

Zusammen mit den ersten Labortests und der Anamnese (Reise, Kontakte) müssen die Ärzte eine Verdachtsdiagnose stellen, denn der Nachweis der Virusgene mit einer Polymerase­kettenreaktion ist zeitaufwendig. Die Ergebnisse der Abstrichuntersuchung liegen manchmal erst am übernächsten Tag vor.

Native Niedrigdosis-CT des Thorax zum Nachweis von COVID-19

Standardverfahren zur Identifizierung der Coronavirus-Krankheit-2019 (COVID-19) bei Patienten mit klinischen Symptomen ist die Abstrichuntersuchung des Nasen-/Rachenraums mit nachfolgender RT-PCR-Testung (RT-PCR, Reverse-Transkriptase-Polymerase-Kettenreaktion, im Folgenden „PCR“) auf virale RNA (1, 2). Die RT-PCR-Analyse bietet eine fast absolute Sicherheit, im Abstrich enthaltenes Virusmaterial

In der Zwischenzeit verlassen sich viele Kliniken auf den CT-Befund. Typische Kenn­zeichen für eine COVID-19-Pneumonie sind (häufig bilaterale) Milchglastrübungen, Konsoli­dierungen oder ein „verrücktes“ Pflastermuster („crazy-paving“). Erfahrene Radiologen erzielen eine hohe Treffsicherheit – auf die sich Mediziner der Icahn School auf Medicine in New York jedoch nicht verlassen wollten. Sie übergaben die Daten einem Rechner, der mit 2 Software-Varianten eine Diagnose stellen sollte.

Die erste Software nutzte ein „Convolutional Neural Network“ (CNN), eine Variante des maschinellen Lernens, um die Bilder auf Muster hin zu analysieren. Sie wurde mit den digitalen CT-Aufnahmen gefüttert. Die zweite Software, ein mehrlagiges Perzeptron („multi-layer perceptron“, MLP), sollte aufgrund der klinischen Daten eine Diagnose stellen.

Die beiden Software-Programme wurden zunächst an 534 Befunden trainiert. Hier erhielt die Software jeweils eine Rückmeldung über die spätere PCR-Diagnose. Diese war bei 242 Patienten positiv. Die anderen 292 hatten keine COVID-19. In einer zweiten Phase folgte an 92 Befunden eine Feineinstellung („Tuning“).

In einer dritten Phase musste die künstliche Intelligenz gegen die menschliche Intelligenz in Gestalt eines Nachwuchsradiologen und eines erfahrenen Kollegen antreten. Den beiden Radiologen standen neben den CT-Bildern auch die klinischen Daten zur Verfügung.

Der Nachwuchsradiologe erreichte eine Sensitivität von 56,0 % und eine Spezifität von 90,3 %. In der AUC-Analyse, die beide Faktoren kombiniert ergab dies einen Wert von 0,73 (mit 1,0 als sichere Diagnose und 0,5 als reinem Zufall).

Der Radiologe mit 10 Jahren Berufserfahrung erreichte einen AUC-Wert von 0,84 (Sensitivität 74,6 %, Spezifität 93,8 %).

Er war damit besser als das MLP-Modell, das allein anhand der klinischen Daten immerhin einen AUC-Wert von 0,80 erreichte (Sensitivität 80,6 %, Spezifität 68,3 %).

Das CNN-Modell, das nur die CT-Bilddaten verwendete, erreichte eine AUC von 0,86 (Sensitivität 83,6 %, Spezifität 75,9 %).

Die besten Ergebnisse erzielte die Kombination aus CNN und MLP. Bei einer Sensitivität von 84,3 % und einer Spezifität von 82,8 % betrug der AUC-Wert 0,92.

Ihre besondere Stärke zeigte die künstliche Intelligenz bei den Fällen, in denen die Radiologen im CT noch keine Auffälligkeiten entdeckt hatten, die dann aber im PCR-Test positiv waren. Von diesen 25 Fällen hätte die künstliche Intelligenz 17 als richtig eingestuft. Die Klinik hat beschlossen, künftig bei unklaren Fällen bei der Software eine „zweite Meinung“ einzuholen, wie es in der Pressemitteilung heißt. © rme/aerzteblatt.de

Kommentare

Die Kommentarfunktion steht zur Zeit nicht zur Verfügung.
LNS
VG WortLNS LNS LNS

Fachgebiet

Stellenangebote

    Weitere...

    Aktuelle Kommentare

    Archiv

    NEWSLETTER