Die Klassifikation von Hirntumoren – und damit die Wahl der optimalen Therapieoptionen – kann durch den Einsatz Künstlicher Intelligenz (KI) in Kombination mit physiologischer Bildgebung genauer und präziser werden. Das ist das Ergebnis einer umfangreichen Studie der Karl Landsteiner Privatuniversität für Gesundheitswissenschaften (KL Krems, Österreich). Darin wurden Methoden des Multiclass Machine Learnings zur Analyse und Klassifizierung von Hirntumoren anhand von physiologischen Daten aus Magnetresonanztomografien (MRT) eingesetzt. Die Ergebnisse wurden anschließend mit Klassifizierungen durch menschliches Fachpersonal verglichen. Dabei zeigte sich die KI unter anderem in den Bereichen Genauigkeit, Präzision und Fehlklassifikation überlegen, während das Fachpersonal bei der Sensitivität und Spezifität besser abschnitt.

Mehr MRT, mehr Daten

Das Team um Prof. Andreas Stadlbauer, Forscher am Zentralinstitut für medizinische Radiologie-Diagnostik des Universitätsklinikum St. Pölten, nutzte für die Studie sowohl Daten von sogenannter fortgeschrittener (advanced) als auch physiologischer MRT. Beide Methoden liefern einen erweiterten Einblick in die Struktur und den Stoffwechsel eines Hirntumors und ermöglichen schon seit längerem eine genauere Klassifizierung. Für ein solches differenziertes Bild sind jedoch enorme Datenmengen nötig, welche fachkundig beurteilt werden müssen. „Wir haben nun analysiert, ob und wie eine Künstliche Intelligenz mittels ML in die Lage versetzt werden kann, geschultes Fachpersonal bei dieser Herkulesaufgabe zu unterstützen“, erläutert Prof. Stadlbauer.

Das Team speiste neun Multiclass-ML-Algorithmen mit MRT-Daten von 167 früheren Patient:innen, die an einem häufigsten Hirntumore erkrankt waren und bei denen eine exakte Klassifizierung mittels Histologie vorlag. Dabei wurden insgesamt 135 sogenannte Classifier generiert.

Radiophysiomics

Die Kombination der Daten verschiedener MRT-Methoden mit Multiclass ML benannte das Team als „Radiophysiomics“. In der Testphase wurden die Multiclass ML-Algorithmen mit MRT-Daten von 20 aktuellen Hirntumorpatient:innen gespeist und die Ergebnisse der Klassifikationen mit denen zweier zertifizierten Radiologen verglichen. Dabei übertrafen die zwei besten ML-Algorithmen die Ergebnisse der menschlichen Beurteilung in den Bereichen Genauigkeit und Präzision. Auch führten die ML-Algorithmen zu weniger Fehlklassifikation als durch das Fachpersonal. Bei der Sensitivität und Spezifität der Beurteilung erwies sich die menschlichen Beurteilungen als treffsicherer als die KI. „Damit wird auch klar, dass der ML-Ansatz derzeit noch kein Ersatz, sondern eine Ergänzung für eine Klassifikation durch qualifiziertes Fachpersonal sein sollte.“, so Prof. Stadlbauer.

Die Originalpublikation finden Sie hier.