Kann Deep Learning die diagnostische Sicherheit von Tumore in CT-Staging-Untersuchungen verbessern?

Zielsetzung Die Rekonstruktion von Computertomographie (CT)-Bildern mit Deep Learning verbessert häufig die allgemeine Bildqualität im Vergleich zu iterativen Rekonstruktionsmethoden. Die Sichtbarkeit von konkreten Tumorfunden wurde jedoch nur selten untersucht. Diese Studie verglich kontrastmittelverstärkte Tumordarstellungen in der CT, indem 24 Radiologen im Blindverfahren verschiedene Rekonstruktionstechniken (Deep Learning vs. iterative Rekonstruktion) bewerteten.

Material und Methoden In dieser retrospektiven Studie evaluierten 24 Radiologen (19 Junior- und 5 Senior-Radiologen) 33 Tumorfunde aus CT-Staging-Untersuchungen mit einer 5-Punkte-Likert-Skala hinsichtlich Bildinterpretation, diagnostischer Sicherheit und struktureller Differenzierbarkeit. Die Befunde wurden in zufälliger Reihenfolge und blind mit vier Rekonstruktionsmethoden in zwei Kontrastmittelphasen (portal-venös und arteriell) dargestellt: Deep Learning Bildrekonstruktion (DLIR) mit „Low“ und „High“ sowie adaptive statistische iterative Rekonstruktion – Volume (ASIR-V) mit 50% und 100% Blendefaktoren.

Ergebnisse DLIR-High war in beiden Kontrastmittelphasen die bevorzugte Bildrekonstruktion hinsichtlich Bildinterpretation, diagnostischer Sicherheit und struktureller Differenzierung. Die Bewertungen für jedes Kriterium waren insgesamt: 4,21±0,95 (DLIR-High), 4,00±0,91 (DLIR-Low), 3,78±0,96 (ASIR-V 50%) und 2,91±0,17 (ASIR-V 100%). Die Bilder der portal-venösen Phase wurden nicht signifikant höher bewertet als die der arteriellen Phase (p>0,19). Zudem gab es in der Bewertung keinen signifikanten Unterschied zwischen Junior- und Senior-Radiologen (p=0,837).

Schlussfolgerungen Deep Learning verbessert nicht nur die Bildqualität, sondern auch die präzise Darstellung von Tumorbefunden, wodurch die diagnostische Sicherheit erhöht wird. Dieser Vorteil ist unabhängig von der beruflichen Erfahrung des Radiologen oder der Kontrastmittelphase, was darauf hindeutet, dass Deep Learning in Zukunft die iterative Rekonstruktion voraussichtlich ersetzen wird.

Publication History

Article published online:
25 March 2025