Skip to main content
Hauptrubriken
CME Facharzt-Training Webinare Zeitschriften Bücher e.Medpedia Podcast
Service
Jobbörse Info & Hilfe
Fachgebiete
Anästhesiologie Allgemeinmedizin Arbeitsmedizin Augenheilkunde Chirurgie Dermatologie Gynäkologie und Geburtshilfe HNO Innere Medizin Kardiologie Neurologie Onkologie und Hämatologie Orthopädie und Unfallchirurgie Pädiatrie Pathologie Psychiatrie Radiologie Rechtsmedizin Urologie Zahnmedizin
Themen
Klimawandel und Gesundheit Neues aus dem Markt COVID-19 Praxis und Beruf Seltene Erkrankungen GOÄ & EBM Panorama
Sammlungen
Kasuistiken Algorithmen & Infografiken Blickdiagnosen Arthropedia FlapFinder (für Dermatochirurgen) Videos Kongressberichterstattung Medizin für Apothekerinnen und Apotheker Für Ärztinnen und Ärzte in Weiterbildung Für Medizinstudierende
Erweiterte Suche
Anmelden
nach oben
Die Gynäkologie
Erschienen in: Die Gynäkologie 10/2022

21.09.2022 | Mammografie | Leitthema

Künstliche Intelligenz in der modernen Mammadiagnostik

verfasst von: PD Dr. Maggie Banys-Paluchowski, Dr. Laura Dussan Molinos, Dr. Marcus Rübsamen, Dr. Thilo Töllner, Prof. Dr. Achim Rody, Prof. Dr. Tanja Fehm, Dr. Nana Bündgen, Dr. Natalia Krawczyk

Erschienen in: Die Gynäkologie | Ausgabe 10/2022

Einloggen, um Zugang zu erhalten

Zusammenfassung

Der Einsatz künstlicher Intelligenz (KI) wird derzeit in verschiedenen Bereichen der Medizin erforscht. In der Mammadiagnostik ist die Verwendung KI-gestützter Systeme bereits heute Realität, insbesondere in der Früherkennung. Dadurch wird erhofft, die Abläufe zu vereinfachen und den Untersucher durch eine automatisierte Einschätzung von Brustdichte und Malignitätsrisiko zu unterstützen. In der Mammasonographie wird der Einsatz der KI vor allem bei der automatisierten Sonographie (ABUS) untersucht. Auch eine Dignitätseinschätzung einer vom Untersucher angegebenen „region of interest“ auf dem B‑Bild wird durch die modernen Systeme ermöglicht. Darüber hinaus konnte die KI in der Magnetresonanztomographie (MRT) der Mamma zur Entwicklung eines hilfreichen Algorithmus beitragen. Der sog. Kaiser-Score steht dem Radiologen online zur Verfügung und hilft, das Malignitätsrisiko von MRT-Befunden einzuschätzen.
Literatur
1.
2.
Le EPV, Wang Y, Huang Y, Hickman S, Gilbert FJ (2019) Artificial intelligence in breast imaging. Clin Radiol 74(5):357–366CrossRef
3.
Evans A, Vinnicombe S (2017) Overdiagnosis in breast imaging. Breast 31:270–273CrossRef
4.
Elmore JG, Jackson SL, Abraham L, Miglioretti DL, Carney PA, Geller BM, Yankaskas BC, Kerlikowske K, Onega T, Rosenberg RD et al (2009) Variability in interpretive performance at screening mammography and radiologists’ characteristics associated with accuracy. Radiology 253(3):641–651CrossRef
5.
Patel AK (2021) Breast radiology advocacy: responding to the call-to-action. Radiol Clin North Am 59(1):13–17CrossRef
6.
Bennani-Baiti B, Baltzer PAT (2020) Künstliche Intelligenz in der Mammadiagnostik: Gestern, heute und morgen. Radiologe 60(1):56–63CrossRef
7.
Roehrig J, Doi T, Hasegawa A, Hunt B, Marschall J, Romsdahl H, Schneider A, Sharbaugh R, Zhang W (1998) Clinical results with R2 imagechecker system. In: Karssemeijer N, Thijssen M, Hendriks J, van Erning L (Hrsg) Digital mammography. Computational imaging and vision, Bd. 13. Springer, Dordrecht
8.
Baltzer PAT (2021) Künstliche Intelligenz in der Mammadiagnostik. Radiologe 61:192–198CrossRef
9.
Lehman CD, Wellman RD, Buist DS, Kerlikowske K, Tosteson AN, Miglioretti DL, Breast Cancer Surveillance C (2015) Diagnostic accuracy of digital screening mammography with and without computer-aided detection. JAMA Intern Med 175(11):1828–1837CrossRef
10.
Moreira IC, Amaral I, Domingues I, Cardoso A, Cardoso MJ, Cardoso JS (2012) INbreast: toward a full-field digital mammographic database. Acad Radiol 19(2):236–248CrossRef
11.
Schaffter T, Buist DSM, Lee CI, Nikulin Y, Ribli D, Guan Y, Lotter W, Jie Z, Du H, Wang S et al (2020) Evaluation of combined artificial intelligence and radiologist assessment to interpret screening mammograms. JAMA Netw Open 3(3):e200265CrossRef
12.
Rodriguez-Ruiz A, Lang K, Gubern-Merida A, Broeders M, Gennaro G, Clauser P, Helbich TH, Chevalier M, Tan T, Mertelmeier T et al (2019) Stand-alone artificial intelligence for breast cancer detection in mammography: comparison with 101 radiologists. J Natl Cancer Inst 111(9):916–922CrossRef
13.
Sechopoulos I, Teuwen J, Mann R (2021) Artificial intelligence for breast cancer detection in mammography and digital breast tomosynthesis: state of the art. Semin Cancer Biol 72:214–225CrossRef
14.
McKinney SM, Sieniek M, Godbole V, Godwin J, Antropova N, Ashrafian H, Back T, Chesus M, Corrado GS, Darzi A et al (2020) International evaluation of an AI system for breast cancer screening. Nature 577(7788):89–94CrossRef
15.
Byng D, Strauch B, Gnas L, Leibig C, Stephan O, Bunk S, Hecht G (2022) AI-based prevention of interval cancers in a national mammography screening program. Eur J Radiol 152:110321CrossRef
16.
Kozegar E, Soryani M, Behnam H, Salamati M, Tan T (2020) Computer aided detection in automated 3‑D breast ultrasound images: a survey. Artif Intell Rev 53(3):1919–1941CrossRef
17.
Rella R, Belli P, Giuliani M, Bufi E, Carlino G, Rinaldi P, Manfredi R (2018) Automated breast ultrasonography (ABUS) in the screening and diagnostic setting: indications and practical use. Acad Radiol 25(11):1457–1470CrossRef
18.
Meng Z, Chen C, Zhu Y, Zhang S, Wei C, Hu B, Yu L, Hu B, Shen E (2015) Diagnostic performance of the automated breast volume scanner: a systematic review of inter-rater reliability/agreement and meta-analysis of diagnostic accuracy for differentiating benign and malignant breast lesions. Eur Radiol 25(12):3638–3647CrossRef
19.
An YY, Kim SH, Kang BJ (2015) The image quality and lesion characterization of breast using automated whole-breast ultrasound: a comparison with handheld ultrasound. Eur J Radiol 84(7):1232–1235CrossRef
20.
Jeh SK, Kim SH, Choi JJ, Jung SS, Choe BJ, Park S, Park MS (2016) Comparison of automated breast ultrasonography to handheld ultrasonography in detecting and diagnosing breast lesions. Acta Radiol 57(2):162–169CrossRef
21.
Chang JM, Moon WK, Cho N, Park JS, Kim SJ (2011) Radiologists’ performance in the detection of benign and malignant masses with 3D automated breast ultrasound (ABUS). Eur J Radiol 78(1):99–103CrossRef
22.
Brem RF, Tabar L, Duffy SW, Inciardi MF, Guingrich JA, Hashimoto BE, Lander MR, Lapidus RL, Peterson MK, Rapelyea JA et al (2015) Assessing improvement in detection of breast cancer with three-dimensional automated breast US in women with dense breast tissue: the SomoInsight Study. Radiology 274(3):663–673CrossRef
23.
Giuliano V, Giuliano C (2013) Improved breast cancer detection in asymptomatic women using 3D-automated breast ultrasound in mammographically dense breasts. Clin Imaging 37(3):480–486CrossRef
24.
Kelly KM, Dean J, Comulada WS, Lee S‑J (2010) Breast cancer detection using automated whole breast ultrasound and mammography in radiographically dense breasts. Eur Radiol 20(3):734–742CrossRef
25.
Wilczek B, Wilczek HE, Rasouliyan L, Leifland K (2016) Adding 3D automated breast ultrasound to mammography screening in women with heterogeneously and extremely dense breasts: Report from a hospital-based, high-volume, single-center breast cancer screening program. Eur J Radiol 85(9):1554–1563CrossRef
26.
Hatzipanagiotou ME, Huber D, Gerthofer V, Hetterich M, Ripoll BR, Ortmann O, Seitz S (2022) Feasibility of ABUS as an alternative to handheld ultrasound for response control in neoadjuvant breast cancer treatment. Clin Breast Cancer 22(2):e142–e146CrossRef
27.
Nicosia L, Addante F, Bozzini AC, Latronico A, Montesano M, Meneghetti L, Tettamanzi F, Frassoni S, Bagnardi V, De Santis R et al (2022) Evaluation of computer-aided diagnosis in breast ultrasonography: improvement in diagnostic performance of inexperienced radiologists. Clin Imaging 82:150–155CrossRef
28.
Wu JY, Zhao ZZ, Zhang WY, Liang M, Ou B, Yang HY, Luo BM (2019) Computer-aided diagnosis of solid breast lesions with ultrasound: factors associated with false-negative and false-positive results. J Ultrasound Med 38(12):3193–3202CrossRef
29.
Dietzel M, Baltzer PAT (2018) How to use the Kaiser score as a clinical decision rule for diagnosis in multiparametric breast MRI: a pictorial essay. Insights Imaging 9(3):325–335CrossRef
Metadaten
Titel
Künstliche Intelligenz in der modernen Mammadiagnostik
verfasst von
PD Dr. Maggie Banys-Paluchowski
Dr. Laura Dussan Molinos
Dr. Marcus Rübsamen
Dr. Thilo Töllner
Prof. Dr. Achim Rody
Prof. Dr. Tanja Fehm
Dr. Nana Bündgen
Dr. Natalia Krawczyk
Publikationsdatum
21.09.2022
Verlag
Springer Medizin
Erschienen in
Die Gynäkologie / Ausgabe 10/2022
Print ISSN: 2731-7102
Elektronische ISSN: 2731-7110
DOI
https://doi.org/10.1007/s00129-022-04997-4

Weitere Artikel der Ausgabe 10/2022

Die Gynäkologie 10/2022 Zur Ausgabe

Frauengesundheit in der Praxis

Der Mythos vom „Jungfernhäutchen“

Leitthema

Künstliche Intelligenz und Simulation in der Pränatalmedizin – was wir von Maschinen lernen können

Leitthema

Vorteile der KI-gestützten geburtshilflichen Überwachung

CME

Routineuntersuchungen der Pathologie für die Therapie mit modernen Medikamenten

Leitthema

Wie künstliche Intelligenz im pränatalen sonographischen Screening eingesetzt werden kann

Leitthema

Aktuelle Aspekte zur künstlichen Intelligenz in der gynäkologischen Diagnostik

Passend zum Thema

ANZEIGE

Bei Immuntherapien das erhöhte Thromboserisiko beachten

Unter modernen Systemtherapien versechsfacht sich das VTE-Risiko. Warum diese Daten relevant für die Behandlung krebsassoziierter Thrombosen sind, erläutert Prof. F. Langer im Interview. So kann es durch Immuntherapien zu inflammatorischen Syndromen z.B. im GI-Trakt kommen. Nebenwirkungen wie Durchfall oder Mukositis haben dann Einfluss auf die Wirksamkeit oraler Antikoagulantien. Aber auch in punkto Blutungsrisiko ist Vorsicht geboten. Wann hier bevorzugt NMH eingesetzt werden sollten, erläutert Prof. Langer im Interview.

ANZEIGE

CAT-Management ist ganz einfach – oder doch nicht?

Krebsassoziierte venöse Thromboembolien (CAT) haben in den vergangenen Jahren stetig zugenommen. Was hat der Anstieg mit modernen Antitumortherapien zu tun? Venöse Thromboembolien sind relevante Morbiditäts- und Mortalitätsfaktoren in der Onkologie. Besonders hoch sind die Risiken bei Tumoren des Abdominalraums. Eine antithrombotische Primärprophylaxe ist daher gerade bei gastrointestinalen (GI-) Tumoren auch im ambulanten Setting wichtig.

ANZEIGE

Management von Thromboembolien bei Krebspatienten

Die Thromboembolie ist neben Infektionen die zweithäufigste Todesursache bei Krebspatienten. Die Behandlung der CAT (cancer associated thrombosis) ist komplex und orientiert sich am individuellen Patienten. Angesichts einer Vielzahl zur Verfügung stehender medikamentöser Behandlungsoptionen finden Sie hier Video-Experteninterviews, Sonderpublikationen und aktuelle Behandlungsalgorithmen zur Therapieentscheidung auf Basis von Expertenempfehlungen.

LEO Pharma GmbH

Passend zum Thema

ANZEIGE

AGO-Leitlinie 2024: Update zu CDK4 & 6 Inhibitoren

Die Kommission Mamma der Arbeitsgemeinschaft Gynäkologische Onkologie (AGO) hat am 02. März 2024 ihre aktualisierten Empfehlungen präsentiert.[1,2] Welchen Stellenwert CDK4 & 6 Inhibitoren in der Therapie des Hormonrezeptor-positiven (HR+), HER2-negativen (HER2-) Mammakarzinoms haben, erfahren Sie hier im Update.

ANZEIGE

Finale OS-Analyse der MONARCH-3-Studie vorgestellt

In der MONARCH-3-Studie erhielten Patientinnen mit fortgeschrittenem HR+, HER2- Brustkrebs Abemaciclib [1,a] in Kombination mit nicht-steroidalem Aromatasehemmer (nsAI). Die finalen Daten bestätigen den in früheren Analysen beobachteten Unterschied zugunsten der Kombinationstherapie. [2] Details dazu vom SABCS 2023.

ANZEIGE

Die Bedeutung der CDK4 & 6 Inhibition beim HR+, HER2- Mammakarzinom

Es erwarten Sie praxisrelevante Patientenfälle, kompakte Studiendarstellungen, informative Experteninterviews sowie weitere spannende Inhalte rund um das HR+, HER2- Mammakarzinom. 
 

Weitere Lesetipps

Husten, Hämoptysen und Raumforderung – aber eine Neoplasie war es nicht

Systemtherapie des Prostatakarzinoms im hohen Alter

Aktuelle Strategien zur Systemtherapie des frühen Mammakarzinoms

ANZEIGE

CAT: Was tun bei Lücken in der Evidenz

ANZEIGE

Spagat zwischen Leitlinien und klinischem Alltag

ANZEIGE

CAT-Management - Was gibt es Neues bei den NMH

Bildnachweise