Zielsetzung Patient/innen mit erhöhtem Metastasenrisiko bei Mamma-Ca benötigen häufig repetitiv
Ganzkörper-CTs um das Krankheitsstadium einzuschätzen, das erhöht jedoch die Strahlenexposition.
Deep Learning Denoising (DLD) Algorithmen zeigen vielversprechende Ergebnisse zur
Strahlenreduktion bei gleichbleibender Bildqualität. Wir untersuchten einen KI Denoising
Algorithmus bei Mamma-Ca und evaluierten mögliche Unterschiede im Staging hinsichtlich
Bildqualität und Diagnostik.
Material und Methoden 100 Patientinnen mit Ganzkörper-Initialstaging bei Mamma-Ca wurden retrospektiv inkludiert.
Es wurden Scans mit voller Dosis (100%) und simulierter niedriger Dosis (25%) mit
einer iterativen Rekonstruktion (IR2) sowie DLD bearbeitet. Anschließend wurden sowohl
subjektive als auch objektive Bildqualitäts-Merkmale sowie das bildmorphologische
Staging von drei Radiolog/innen ausgewertet. Bayes‘sche Sensitivität und Spezifizität
wurden mit einem Kredibilitätsintervall von 95% berechnet.
Ergebnisse Die Subjektive Analyse zeigte bessere Ergebnisse für 100% DLD im Vergleich zu 100%
IR2 und 25% IR2 (p<0.001). Keine signifikanten Unterschiede konnten zwischen 25% DLD
und 100% IR2 festgestellt werden. Die Objektive Analyse zeigte keine signifikanten
Unterschiede im CT-Wert. Bei niedrigerer Dosis stieg das Bildrauschen, jedoch zeigte
DLD niedrigere Noise-Level bei sowohl 100% als auch 25% Dosis im Vergleich zu 100%
IR2 (p<0.001). 25% IR2 zeigte eine verringerte Sensitivität in der Detektion von Metastasen
in supraklavikulären (81%) und Mammaria-Interna-Lymphknoten (85%), obwohl die Spezifität
hoch blieb. Im Gegensatz dazu behielt 25% DLD eine zur Referenz unverändert hohe Sensitivität
und Spezifität in der Metastasendetektion in allen Regionen.
Schlussfolgerungen Der untersuchte Algorithmus ermöglicht qualitativ hochwertige, vollständig diagnostische
Mamma-Ca Stagings mit 25% Strahlendosis und verbessert somit die langfristige Patient/innenversorgung
durch die Reduzierung unnötiger Strahlenbelastung.
