Künstliche Intelligenz hilft, Lymphknotenmetastasen bei Blasenkrebs zu entdecken

Ein chinesisches Team hat für Blasenkrebs auf Basis Künstlicher Intelligenz (AI) ein Lymphknotenmetastasen-Diagnosemodell (LNMDM) für Aufnahmen ganzer Objektträgerpräparate (Whole Slide Images, WSI) entwickelt.

Das Modell habe insbesondere bei der Detektion von Mikrometastasen gut funktioniert, insbesondere bei Mikrometastasen, berichten die Forscher im Journal „The Lancet. Oncology”. Dabei zeigte das LNMDM ein erhebliches Potenzial für klinische Anwendungen bei der Verbesserung der Genauigkeit und Effizienz der Arbeit von Pathologen.

In seine retrospektive, multi­zentrische Studie in China schloss das Team um Shaoxu Wu von der Sun Yat-sen University in Guangzhou, China, zur Entwicklung eines Modells konsekutive Patienten mit Blasenkrebs ein, die sich einer radikalen Zystektomie und Dissektion der Beckenlymphknoten unterzogen hatten und von denen WSI von Lymphknotenschnitten verfügbar waren.

Patienten aus zwei Krankenhäusern wurden vor dem Stichtag einem Trainingssatz und danach internen Validierungssätzen für jedes Krankenhaus zugeordnet. Patienten aus drei weiteren Krankenhäusern bezogen die Autoren als externe Validierungssätze ein. Eine Validierungssubgruppe mit anspruchsvollen Fällen aus den fünf Validierungssätzen wurde verwendet, um die Leistungsfähigkeit zwischen LNMDM und Pathologen zu vergleichen und zwei weitere Datensätze (Brustkrebs aus dem CAMELYON16-Datensatz und Prostatakrebs aus dem Sun Yat-sen Memorial Hospital der Sun Yat-sen-University) wurden für einen Multikrebstest gesammelt.

Als primären Endpunkt definierten die Wissenschaftler die diagnostische Sensitivität in den vier vorab festgelegten Gruppen (d. h. den 5 Validierungssätzen, einem Testsatz für einzelne Lymphknoten, dem Testsatz für mehrere Krebsarten und der Teilmenge für einen Leistungsvergleich zwischen LNMDM und Pathologen).

Zwischen dem 01.01.2013 und dem 31.12.2021 wurden 1012 Patienten mit Blasenkrebs einer radikalen Zystektomie und Dissektion der Beckenlymphknoten unterzogen und in die Studie eingeschlossen (8177 Bilder und 20.954 Lymphknoten). Ausgeschlossen wurden 14 Patienten (165 Bilder) mit gleichzeitigen, nicht die Blase betreffenden Krebserkrankungen sowie 21 Bilder mit geringer Qualität. In die Entwicklung des LNMDM gingen somit 998 Patienten und 7991 Bilder ein (881 [88 %] Männer; 117 [12 %] Frauen; medianes Alter 64 Jahre [IQR 56–72]; 268 [27 %] mit Lymphknotenmetastasen).

Wie sich zeigte, lag die Area under the Curve (AUC) der Receiver Operating Characteristic für eine genaue Diagnose des LNMDM in den fünf Validierungssätzen zwischen 0,978 (95 %-Konfidenzintervall [KI] 0,960–0,996) und 0,998 (95 %-KI 0,996–1000). Vergleiche zwischen dem LNMDM und Pathologen zeigten, dass die diagnostische Sensitivität des Modells (0,983; 95 %-KI 0,941–0,998) die von Junior- (0,906; 95 %-KI 0,871–0,934) und Senior-Pathologen deutlich übertraf (0,947; 95%-KI 0,919–0,968) und dass die KI-Unterstützung die Empfindlichkeit sowohl bei Junior- (von 0,906 ohne AI auf 0,953 mit AI) als auch bei Senior-Pathologen (von 0,947 auf 0,986) verbesserte.

Im Multikrebstest habe das LNMDM eine AUC von 0,943 (95 %-KI 0,918–0,969) bei Brustkrebsbildern und 0,922 (95 %-KI 0,884–0,960) bei Prostatakrebs­bildern gezeigt, führt das Team weiter aus. Bei 13 Patienten entdeckte das LNMDM von Pathologen übersehene Mikrometas­tasen. Die Grenzwertoptimierungskurven zeigten, dass Pathologen mit dem LNMDM 80–92 Prozent der negativen Objektträger ausschließen und gleichzeitig eine 100-prozentige Sensitivität in der klinischen Anwendung beibehalten könnten.

Die Studie wird von einem Kommentar begleitet.

(sf/ms)