KI-gestützte Erkennung von metastasierenden Lymphknoten des Mediastinums und automatische Bestimmung des N-status bei Lungenkarzinomen

Zielsetzung Die korrekte Erkennung metastasierter Lymphknoten (LN) des Mediastinums bei Patienten mit Lungenkarzinom ist entscheidend für die Therapieplanung. Das N-Staging quantifiziert die Ausbreitung der LN-Metastasen. CT- und PET-Scans ermitteln einen prätherapeutischen N-Status (cN), wobei die Beurteilung der LN nicht immer eindeutig ist. Künstliche Intelligenz (KI) hat das Potenzial, hier anzusetzen und die nicht invasive Beurteilung von LN in CT- und PET-Scans zu verbessern. Ziel dieser Studie ist die Entwicklung eines annotationsfreien KI-Algorithmus zur Erkennung metastasierter LN in PET- und CT-Scans und die automatische Bestimmung des N-Status.

Material und Methoden Der verwendete hausinterne Datensatz enthält 353 Patienten mit operativ versorgtem Lungenkarzinom, einem postoperativen N-Status (pN) und präopertiver PET- und CT-Bildgebung. Aufgrund der geringen Anzahl an metastasierten LN wurden 42 weitere Fälle mit cN3 eingeschlossen. Wir registrierten einen öffentlichen Atlas auf unserem Datensatz und verwendeten unterschiedliche Trainingsstrategien mit Klassifikatoren zur Einteilung der Lymphknotenstationen (LNS) und regelbasierten Ansätzen zur Beurteilung des N-Status. Der vorgeschlagene Algorithmus wurde mit etablierten Basismodellen verglichen:

Ergebnisse Unser Algorithmus übertraf die etablierten Basis Modelle bei LN-Bewertung auf PET/CT zur Vorhersage des cN mit einer Genauigkeit und ausgeglichenen Genauigkeit für die Klassifizierung von LN-Stationen von 0,88 und 0,81, und mit 0,63 und 0,59 für das N-Staging. Bei der LN-Bewertung auf CT zur Vorhersage des pN und der LN-Bewertung und der LN-Bewertung auf PET/CT zur Vorhersage des pN oiutperformen die etablierten Basismodelle unseren Algorithmus.

Schlussfolgerungen Im Vergleich zu den Gesamtergebnissen der Studie übertrifft der Algorithmus die für die traditionelle PET/CT-Berichterstattung angegebene Genauigkeit von etwa 0,8 leicht. Wir beobachten einen Leistungsabfall, wenn der PET-Scan als zusätzliche Eingabemodalität für den Algorithmus weggelassen wird.

Publikationsverlauf

Artikel online veröffentlicht:
25. März 2025