Lungenkrebs-Screening: Künstliche Intelligenz kann Falsch-positiv-Rate senken

Die Falsch-positiv-Rate der derzeit für das Lungenkrebs-Screening verwendeten Methode, so schreiben die Autoren einer amerikanischen Studie, liegt bei 96 Prozent. Mithilfe maschinellen Lernens haben die Wissenschaftler von der University of Pittsburgh und dem UPMC Hillman Cancer Center aber nun einen Weg gefunden, um die Zahl falsch-positiver Befunde erheblich zu senken – und das, ohne eine Krebserkrankung zu übersehen.

Dies sei das erste Mal, dass für die Unterscheidung zwischen benignen und malignen Veränderungen im Rahmen eines Lungenkrebs-Screenings künstliche Intelligenz eingesetzt worden sei, berichten die Studienautoren. „Wir konnten bei rund einem Drittel der Patienten eine Krebserkrankung ausschließen, so dass keine Biopsien, keine PET-Scans oder Computertomographien in kurzen Intervallen notwendig waren. Die Patienten müssen lediglich nach einem Jahr erneut zur Untersuchung kommen“, berichtet Seniorautor Dr. David Wildson, Professor für kardiothorakale Chirurgie und klinische und translationale Forschung an der University of Pittsburgh und Ko-Direktor des Lung Cancer Center am UPMC Hillman.

Bei Personen mit einem erhöhten Risiko ist ein niedrig dosierter CT-Scan das Standard-Diagnoseverfahren. In den USA zeigen landesweit rund ein Viertel dieser Scans Schatten auf, die auf pulmonale Rundherde hindeuten: Ein positiver Befund, doch weniger als vier Prozent der betroffenen Personen, so heißt es in der aktuellen Mitteilung der University of Pittsburgh, litten tatsächlich an Krebs.

Derzeit sei es unmöglich, allein anhand eines solchen Scans zu entscheiden, wer zu diesen vier Prozent gehört, erklärt Wilson. Natürlich wollten Mediziner keinen echten Krebsfall übersehen, doch sie versuchten auch, die Falsch-positiv-Rate zu senken, unterstreicht er.

„Ein positiver Test verursacht Ängste, erhöht die Kosten für die medizinische Versorgung und Nachuntersuchungen sind nicht ohne Risiko“, sagt Koautor Prof. Panayiotis (Takis) Benos, Professor für Systembiologie und stellvertretender Direktor des Integrative Systems Biology Program an der University of Pittsburgh. „Für die 96 Prozent der Untersuchten mit benignen Rundherden sind diese Verfahren nicht nötig. Wir versuchen daher den Daten Informationen dazu zu entlocken, welche benigne und welche benigne sind.“

Wilson, Benos und Kollegen sammelten Scan niedrig dosierter CT von 218 Hochrisiko-Patienten, bei denen später entweder Lungenkrebs oder ein benigner Rundherd bestätigt wurde. Anschließend fütterten sie einen Algorithmus mit den Daten, um ein Modell zu schaffen, dass die Krebswahrscheinlichkeit berechnet. Sinkt die Wahrscheinlichkeit unter einen bestimmten Schwellenwert, schließt das Modell eine Krebserkrankung aus.

Beim Vergleich der Einschätzung des Modells mit der tatsächlichen Diagnose dieser Patienten, stellten die Wissenschaftler fest, dass sie in der Lage gewesen wären, 30 Prozent der Patienten mit benignen Rundherden weitere Untersuchungen zu ersparen, ohne einen Krebsfall dabei zu übersehen.

Die drei Faktoren, die sich für das Modell am wichtigsten erwiesen, sind laut Benos die Anzahl von Blutgefäßen um den Rundherd herum, die Anzahl der Rundherde selbst und die Anzahl der Jahre seit der Entwöhnung des Patienten vom Nikotinkonsum.

„Es ist zwar schon seit einiger Zeit bekannt, dass Tumoren Gefäßunterstützung rekrutieren, doch dies ist das erste Mal, dass wir Computertechnologie nutzen konnten, um ihre Beteiligung zu quantifizieren und in ein prädiktives Modell einzubinden, das mit hoher Sicherheit darüber entscheidet, dass einige Patienten nicht an Krebs erkrankt sind“, erklärt Wilson. „Der nächste Schritt wird sein, dieses Verfahren in einer größeren Population zu bewerten. Tatsächlich haben wir damit bereits angefangen – mit 6000 Scans aus dem National Lung Screening Trial.“