Verbesserung der BI-RADS-Klassifizierung durch Bayesianische Netzwerke

Kurzfassung:

Die Befundung der konventionellen Mammografie erfolgt auch in Deutschland überwiegend einheitlich nach dem breast imaging: reporting and data system (BI-RADS) Lexikon des American College of Radiology. Die Befundung mit einheitlichen Deskriptoren und Bewertungskategorien ermöglicht eine standardisierte Diagnostik und ein standardisiertes Patientenmanagement. Ein weiterer Vorteil der Nutzung einer standardisierten Befundung ist die Möglichkeit, anhand großer Datenbanken Klassifizierungsalgorithmen zu erstellen mit dem Ziel, die maximale diagnostische Information aus den Kombinationen verschiedener Deskriptoren zu gewinnen. Bayesianische Netzwerke sind solche Klassifizierungsalgorithmen. Anhand der Wahrscheinlichkeitsverteilungen der einzelnen Deskriptoren und Bewertungskategorien lässt sich für jede zukünftig beobachtete Mamma-Läsion eine Wahrscheinlichkeit für Malignität berechnen. Bayesianische Netzwerke lassen sich auf verschiedene Weisen erstellen; der einfachste Fall nimmt die Unabhängigkeit aller Deskriptoren an. Komplexere Modelle lassen statistische Abhängigkeiten in verschiedenem Maße zu. Näher soll auf zwei Bayesianische Netzwerke eingegangen werden, die für die Diagnostik von Tumoren in der Mammografie entwickelt wurden. Beide Netzwerke sind, wenn die Information der Deskriptoren und Bewertungskategorien analysiert wird, der diagnostischen Genauigkeit der alleinigen Bewertungskategorien überlegen. Eine systematische Analyse der alleinigen Deskriptoren für Herdbefunde erzielt zumindest die gleiche diagnostische Genauigkeit wie die Beurteilungskategorien. Mit einem solchen Vorgehen könnten Kombinationen von Deskriptoren evidenzbasiert eindeutigen Bewertungskategorien zugewiesen werden.

Lernziele:

1. Den Grundgedanken Bayesianischer Netzwerke und deren möglichen Nutzen für eine evidenzbasierte Diagnostik verstehen.
2. Die diagnostische Genauigkeit der Mammografie kann durch eine systematische Analyse der Deskriptoren und Bewertungskategorien verbessert werden.