Nuklearmedizin 2020; 59(02): 97-98
DOI: 10.1055/s-0040-1708145
Wissenschaftliche Vorträge
Radiomics
© Georg Thieme Verlag KG Stuttgart · New York

Einfluss künstlicher Intelligenz auf beta-Amyloid(Aß)-PET/MRT-Untersuchungen

M Schürer
1   Universitätsklinikum Leipzig, Klinik und Poliklinik für Nuklearmedizin, Leipzig
,
KT Chen
2   Stanford University, Radiology, Stanford, CA,, United States
,
T Jochimsen
1   Universitätsklinikum Leipzig, Klinik und Poliklinik für Nuklearmedizin, Leipzig
,
M Rullmann
1   Universitätsklinikum Leipzig, Klinik und Poliklinik für Nuklearmedizin, Leipzig
,
M Patt
1   Universitätsklinikum Leipzig, Klinik und Poliklinik für Nuklearmedizin, Leipzig
,
S Tiepolt
1   Universitätsklinikum Leipzig, Klinik und Poliklinik für Nuklearmedizin, Leipzig
,
ML Schroeter
3   Universitätsklinikum Leipzig, Klinik für kognitive Neurologie, Leipzig
,
C Weise
4   Universitätsklinikum Leipzig, Abteilung für Neurologie, Leipzig
,
D Saur
4   Universitätsklinikum Leipzig, Abteilung für Neurologie, Leipzig
,
G Zaharchuk
2   Stanford University, Radiology, Stanford, CA,, United States
,
O Sabri
1   Universitätsklinikum Leipzig, Klinik und Poliklinik für Nuklearmedizin, Leipzig
,
H Barthel
1   Universitätsklinikum Leipzig, Klinik und Poliklinik für Nuklearmedizin, Leipzig
› Author Affiliations
Further Information

Publication History

Publication Date:
08 April 2020 (online)

 

Ziel/Aim Künstliche Intelligenz bietet großes Potential, die medizinische Bildgebung zu optimieren. Dies lässt sich im Falle der PET eventuell darauf übertragen, Aufnahmezeiten zu verkürzen bzw. die applizierten Dosen an Radiotracer zu verringern. In der vorliegenden Studie untersuchen wir, ob dies auf Aß-PET/MRT-Untersuchungen mit [18F]Florbetaben zutrifft.

Methodik/Methods Wir sammelten prospektiv [18F]Florbetaben-Hirn-PET/MRT-Scans (300MBq, Aufnahmestart 90min p.i.) im list-mode von 40 Patienten (21 weiblich, Alter=64±11a). Die PET-Daten wurden für eine Aufnahmezeit von 20min und 1min rekonstruiert. Für die 1min Aufnahmen wandten wir vier verschieden trainierte künstliche Intelligenzen an: trainiert nur mit Daten eines fremden PET/MRTs (AI1), im Anschluss daran trainiert mit Daten unseres PET/MRTs (AI2), von Beginn an nur trainiert mit Daten unseres PET/MRTs (AI3) oder von Beginn an mit beiden Datensätzen trainiert. Alle Ergebnisse wurden visuell (3 verblindete Experten, binäre Auswertung für die Aß-Last und Fünf-Punkt-Skala für die Bildqualität, wobei 5 die beste Bewertung darstellt) und semiquantitativ (composite SUVRs, Referenz: Kleinhirnkortex) analysiert. Der Mehrheitsentscheid der visuellen Analyse der 20min Aufnahmen diente als Goldstandard.

Ergebnisse/Results Gemäß dem Goldstandard waren 19 Patienten Aß-positiv. Die Sensitivität und Spezifität für die drei Experten betrug 100 % und 95 %, 100 % und 78 %, 100 % und 100 %, 100 % und 100 %, sowie 100 % und 100 % für die 1min, 1min+AI1, 1min+AI2, 1min+AI3, und 1min+AI4 Daten. Die Bildqualität in der visuellen Analyse wurde mit 2.5±0.3, 3.0±0.3, 4.0±0.3, 3.9±0.1 und 3.8±0.1 bewertet. Die Cohen’s d Effektstärke für die composite SUVRs zwischen den Aß-positiven vs. Aß-negativen Patienten war höher in den 1min+AI Daten als in den reinen 1min Daten (2.38/2.64/2.33/2.59 vs. 1.79).

Schlussfolgerungen/Conclusions Der Einsatz künstlicher Intelligenz eröffnet die Möglichkeit, die Aufnahmezeiten von [18F]Florbetaben-Hirn-PET/MRT-Scans bis auf 1min zu verkürzen, ohne dabei diagnostische Qualität einzubüßen. Dies würde alternativ eine Reduktion des Radiotracers bzw. der Strahlenexposition um 95 % bedeuten. Daher hat dieser Ansatz großes Potential, den Patienten-Komfort/Durchsatz zu erhöhen und die Tracerkosten zu reduzieren.