Künstliche Intelligenz unterstützt Ärzte bei Auswertung von Röntgenbildern

Philadelphia – Computer könnten Radiologen in Zukunft bei der Auswertung von Röntgenbildern unterstützen. Ein künstliches neuronales Netzwerk, eine Variante des maschinellen Lernens, hat in einer Studie in Radiology (2017; doi: 10.1148/radiol.2017162326) eine hohe Treffsicherheit erzielt – die sich aber unter Hinzuziehen eines Radiologen noch verbessern ließ.

Das Erkennen einer Tuberkulose auf einem Röntgenthorax in der üblichen anterior-posterioren (a.p.) Projektion ist auch für erfahrene Radiologen nicht immer einfach. Computer lieferten bisher kaum akzeptable Ergebnisse. Eine an der Universität Nijmegen entwickelte Software erreichte in Studien nur einen ROC-Wert zwischen 0,71 und 0,84. Die ROC (Receiver Operating Characteristics) ist ein Maß für die Genauigkeit eines Tests. Optimal ist ein Wert von 1,0, ein Wert von 0,5 zeigt ein Zufallsergebnis an. 

Deutlich bessere Ergebnisse als eine traditionelle Software, bei der die Programmierer die Strukturen für die Bildanalyse vorgeben, ist das sogenannte maschinelle Lernen, bei dem der Computer selbst bestimmt, auf welche Einzelheiten er achtet. Die Software erhält in einem ersten Schritt eine Reihe von Bildern mitsamt der Diagnose mitgeteilt. Sie sucht dabei in möglichst vielen Einzelheiten nach Übereinstimmungen und entwirft dann selbstständig einen Algorithmus, mit dem sie nach den gesuchten Informationen auf den Bildern sucht. Zu den am weitesten fortgeschrittenen Varianten des maschi­nellen Lernens gehören die sogenannten neuronalen Netzwerke und hier das „Convolutional Neural Network“ (CNN).

Ein Team um Paras Lakhani vom Thomas Jefferson University Hospital in Philadelphia hat zwei Varianten des CNN – AlexNet und GoogLeNet – auf 1.007 Röntgenthorax-Aufnahmen in a.p.-Projektion angewendet. Mit den ersten 685 Bildern wurde die Software trainiert, bei weiteren 172 Bildern wurden die Ergebnisse validiert, und in einer abschließenden Testphase von 150 Bildern mussten die beiden CNN zeigen, was sie gelernt hatten.

Dies war nicht wenig: AlexNet erreichte eine Sensitivität von 92,0 und eine Spezifität von 94,7 Prozent. Bei GoogLeNet waren es 92,0 und 98,7 Prozent. Wenn beide CNN kombiniert wurden betrug die Sensitivität 97,3 und die Spezifität 94,7 Prozent. In immerhin 13 von 150 Fällen stimmten die Ergebnisse von AlexNet und GoogLeNet nicht überein. Die Autoren zogen einen erfahrenen Radiologen hinzu, der in allen Fällen die richtige Diagnose stellte. Diese Strategie, in der zunächst die beiden CNN befunden und dann ein Radiologe die strittigen Bilder auswertet, erreichte eine Sensitivität von 97,3 Prozent und eine Spezifität von 100 Prozent. Dies entspricht einem ROC-Wert von 0,99, der fast perfekt ist.

Lakhani betrachtet die Methode zunächst als Hilfsmittel für Ärzte in den Hoch-Endemie-Ländern, in denen es häufig an ausgebildeten Radiologen fehlt. Es erscheint jedoch nicht ausgeschlossen, dass auch Radiologen in reicheren Ländern sich von einer Software unterstützen lassen, wobei die Tuberkulose hierzulande eine seltene Diagnose geworden ist.

Lakhani zitiert jedoch Publikationen, die das maschinelle Lernen auf die Diagnose von Pleuraerguss und Kardiomegalie im a.p.-Thorax angewendet haben. Die Software findet auch mediastinale Lymphknoten in der Computertomographie (CT) und hilft bei der Suche nach Lungenknoten im CT. Auch im Pankreas und Gehirn könnte das maschi­nelle Lernen die die Radiologen künftig bei der Diagnose unterstützen.

rme