Grenzen Künstlicher Intelligenz in der Notfallbefundung. Eine Leistungsanalyse eines kommerziellen, computer-basierten Algorithmus zur Detektion von Lungenarterienembolien.

Zielsetzung Da zunehmend Anwendungen Künstlicher Intelligenz in den klinischen Alltag implementiert werden, war das Ziel unserer Studie die Leistung eines kommerziellen, computer-basierten Detektionsalgorithmus (computer-aided detection, CAD) für Lungenarterienembolien (LAE) in CT-Pulmonalisangiografien (CTPA) im Rahmen einer Notfallbefundung zu analysieren.

Material und Methoden In diese retrospektive Studie wurden alle CTPA eingeschlossen, die über einen Zeitraum von 36 Monaten in einer großen, deutschen Notaufnahme akquiriert wurden. Alle eingeschlossenen CT-Untersuchungen wurden von zwei in der Notfalldiagnostik erfahrenen Radiologen ausgewertet um einen Referenzstandard festzulegen. Die initialen Notfallbefunde wurden mit den Ergebnissen des CAD und des Referenzstandards in Bezug auf die Erkennung lobärer, segmentaler und subsegmentaler LAE verglichen. Für alle CAD-Ergebnisse wurde die zugrundeliegende Pathologie definiert. Falsch positive (FP) CAD-Ergebnisse wurden mit dem Kontrast-Rausch-Verhältnis (Contrast to Noise Ratio, CNR) verglichen.

Ergebnisse Durch den Referenzstandard wurden 504 Emboli in 182 von insgesamt 1229 Patienten (49 % männlich, Alter 10 - 97 Jahre) definiert. Der CAD zeigte insgesamt 3331 Ergebnisse an, hiervon waren 258 (8%) richtig positiv (RP) und 3073 (92%) FP. Die Sensitivität des CAD betrug 47% (95% CI: 33 - 61%) für lobäre und 50% (95% CI: 43 - 56%) für subsegmentale LAE. Im Durchschnitt wurden 2,25 CAD-Ergebnisse pro CTPA (Median 2, Minimum 0, Maximum 25) angezeigt. Es gab keine signifikante Korrelation zwischen der Anzahl der FP Ergebnisse und der CNR (Spearmans Rangkorrelationskoeffizient = 0,09). Weichteilgewebe (61,0%) und Pulmonalvenen (24,1%) waren die häufigsten Ursachen für FP Ergebnisse.

Schlußfolgerungen Die Anwendung des getesteten CAD auf ein Patientenkollektiv einer großen, deutschen Notaufnahme deckt Schwachstellen des kommerziellen Algorithmus auf, die im Rahmen zukünftiger CAD-Projekte optimiert werden sollten.