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 Radiologie
Erschienen in: Die Radiologie 1/2020

04.12.2019 | Magnetresonanztomografie | Leitthema

Künstliche Intelligenz und Radiomics in der MRT-basierten Prostatadiagnostik

verfasst von: Charlie Alexander Hamm, Dr. med. Nick Lasse Beetz, Dr. med. Lynn Jeanette Savic, PD Dr. med. Tobias Penzkofer

Erschienen in: Die Radiologie | Ausgabe 1/2020

Einloggen, um Zugang zu erhalten

Zusammenfassung

Klinisches/methodisches Problem

Angesichts der diagnostischen Komplexität und der großen Untersuchungszahlen ergibt sich die Herausforderung für die moderne Radiologie, klinisch signifikante Prostatakarzinome (PCa) mit hoher Sensitivität und Spezifität zu identifizieren sowie eine Überdiagnostik und Übertherapie von klinisch nicht signifikanten Karzinomen zu vermeiden.

Radiologische Standardverfahren

In den internationalen Leitlinien etabliert sich zunehmend die multiparametrische Magnetresonanztomographie (mpMRT) als Standarduntersuchung in der Diagnostik des PCa.

Methodische Innovationen

Die MRT-Beurteilung nach den PI-RADS-Kriterien durch Radiologen weist eine begrenzte Reproduzierbarkeit auf, sodass die rasanten Entwicklungen der automatisierten Bildanalyse mittels Radiomics oder künstlicher Intelligenz (KI; Machine Learning, Deep Learning) auf eine weitere Verbesserung der Patientenversorgung hoffen lassen.

Leistungsfähigkeit

Die Anwendung von KI konzentriert sich auf die automatisierte Detektion und Klassifikation von PCa-Läsionen und versucht, die Aggressivität anhand des Gleason-Scores zu stratifizieren. Neueste Studien präsentieren gute bis sehr gute Ergebnisse für die Befundung der mpMRT mittels Radiomics oder KI. Eine breite klinische Anwendung bleibt jedoch aktuell noch aus.

Bewertung und Empfehlung für die Praxis

Das wachsende Bewusstsein der Forschungsgesellschaft für eine strukturierte Datenakquise, die Entwicklung robuster AI-Systeme sowie die zunehmende Akzeptanz gegenüber KI-Algorithmen als diagnostisches Hilfsmittel sind Voraussetzungen für die klinische Anwendbarkeit dieser Technologien. Wenn die KI diese Hürden überwindet, kann ihr eine Schlüsselrolle in der quantitativen, reproduzierbaren Befundung der Prostata-MRT bei ständig ansteigenden Untersuchungsvolumina zukommen.
Literatur
1.
2.
Wolters T et al (2011) A critical analysis of the tumor volume threshold for clinically insignificant prostate cancer using a data set of a randomized screening trial. J Urol 185:121–125CrossRefPubMed
3.
Bi WL et al (2019) Artificial intelligence in cancer imaging: clinical challenges and applications. CA Cancer J Clin 69:127–157PubMedPubMedCentral
4.
Costa DN, Pedrosa I, Donato F Jr, Roehrborn CG, Rofsky NM (2015) MR imaging-transrectal US fusion for targeted prostate biopsies: implications for diagnosis and clinical management. Radiographics 35:696–708CrossRefPubMed
5.
6.
Liu L, Tian Z, Zhang Z, Fei B (2016) Computer-aided detection of prostate cancer with MRI: technology and applications. Acad Radiol 23:1024–1046CrossRefPubMedPubMedCentral
7.
8.
Turkbey B et al (2019) Prostate imaging reporting and data system version 2.1: 2019 update of prostate imaging reporting and data system version 2. Eur Urol 76:340–351CrossRefPubMed
9.
Rosenkrantz AB et al (2016) Interobserver reproducibility of the PI-RADS version 2 lexicon: a multicenter study of six experienced prostate radiologists. Radiology 280:793–804CrossRefPubMed
10.
Venderink W et al (2018) Results of targeted biopsy in men with magnetic resonance imaging lesions classified equivocal, likely or highly likely to be clinically significant prostate cancer. Eur Urol 73:353–360CrossRefPubMed
11.
Patel N, Henry A, Scarsbrook A (2018) The value of MR textural analysis in prostate cancer. Clin Radiol 74:876–885CrossRefPubMed
12.
13.
Toivonen J et al (2019) Radiomics and machine learning of multisequence multiparametric prostate MRI: Towards improved non-invasive prostate cancer characterization. PLoS ONE 14:e217702CrossRefPubMedPubMedCentral
14.
Algohary A et al (2018) Radiomic features on MRI enable risk categorization of prostate cancer patients on active surveillance: preliminary findings. J Magn Reson Imaging 48:818–828CrossRef
15.
Vignati A et al (2015) Texture features on T2-weighted magnetic resonance imaging: new potential biomarkers for prostate cancer aggressiveness. Phys Med Biol 60:2685CrossRefPubMed
16.
Ginsburg SB et al (2017) Radiomic features for prostate cancer detection on MRI differ between the transition and peripheral zones: preliminary findings from a multi-institutional study. J Magn Reson Imaging 46:184–193CrossRefPubMed
17.
Wang J et al (2017) Machine learning-based analysis of MR radiomics can help to improve the diagnostic performance of PI-RADS v2 in clinically relevant prostate cancer. Eur Radiol 27:4082–4090CrossRefPubMed
18.
Varghese B et al (2019) Objective risk stratification of prostate cancer using machine learning and radiomics applied to multiparametric magnetic resonance images. Sci Rep 9:1570CrossRefPubMedPubMedCentral
19.
Bonekamp D et al (2018) Radiomic machine learning for characterization of prostate lesions with MRI: comparison to ADC values. Radiology 289:128–137CrossRefPubMed
20.
Litjens G, Debats O, Barentsz J, Karssemeijer N, Huisman H (2014) Computer-aided detection of prostate cancer in MRI. IEEE Trans Med Imaging 33:1083–1092CrossRefPubMed
21.
Kwak JT et al (2015) Automated prostate cancer detection using T2-weighted and high-b-value diffusion-weighted magnetic resonance imaging. Med Phys 42:2368–2378CrossRefPubMedPubMedCentral
22.
Peng Y et al (2013) Quantitative analysis of multiparametric prostate MR images: differentiation between prostate cancer and normal tissue and correlation with Gleason score—a computer-aided diagnosis development study. Radiology 267:787–796CrossRefPubMed
23.
Greer MD et al (2018) Computer-aided diagnosis prior to conventional interpretation of prostate mpMRI: an international multi-reader study. Eur Radiol 28:4407–4417CrossRefPubMedPubMedCentral
24.
Hamm CA et al (2019) Deep learning for liver tumor diagnosis part I: development of a convolutional neural network classifier for multi-phasic MRI. Eur Radiol 29:3338–3347CrossRefPubMedPubMedCentral
25.
26.
Ishioka J et al (2018) Computer-aided diagnosis of prostate cancer on magnetic resonance imaging using a convolutional neural network algorithm. BJU Int 122:411–417CrossRefPubMed
27.
Wang X et al (2017) Searching for prostate cancer by fully automated magnetic resonance imaging classification: deep learning versus non-deep learning. Sci Rep 7:15415CrossRefPubMedPubMedCentral
28.
29.
Stamey TA, McNeal JE, Yemoto CM, Sigal BM, Johnstone IM (1999) Biological determinants of cancer progression in men with prostate cancer. JAMA 281:1395–1400CrossRefPubMed
30.
31.
32.
Min X et al (2019) Multi-parametric MRI-based radiomics signature for discriminating between clinically significant and insignificant prostate cancer: Cross-validation of a machine learning method. Eur J Radiol 115:16–21CrossRefPubMed
33.
34.
Nguyen D et al (2019) A feasibility study for predicting optimal radiation therapy dose distributions of prostate cancer patients from patient anatomy using deep learning. Sci Rep 9:1076CrossRefPubMedPubMedCentral
35.
Wang B et al (2019) Deeply supervised 3D fully convolutional networks with group dilated convolution for automatic MRI prostate segmentation. Med Phys 46:1707–1718CrossRefPubMed
36.
Metadaten
Titel
Künstliche Intelligenz und Radiomics in der MRT-basierten Prostatadiagnostik
verfasst von
Charlie Alexander Hamm
Dr. med. Nick Lasse Beetz
Dr. med. Lynn Jeanette Savic
PD Dr. med. Tobias Penzkofer
Publikationsdatum
04.12.2019
Verlag
Springer Medizin
Erschienen in
Die Radiologie / Ausgabe 1/2020
Print ISSN: 2731-7048
Elektronische ISSN: 2731-7056
DOI
https://doi.org/10.1007/s00117-019-00613-0

Weitere Artikel der Ausgabe 1/2020

Die Radiologie 1/2020 Zur Ausgabe

CME

Dentale Röntgendiagnostik mit der Panoramaschichtaufnahme – Technik und typische Bildbefunde

Leitthema

Künstliche Intelligenz in der Radiologie

Leitthema

Künstliche Intelligenz in der Bildgebung der Lunge

Leitthema

Wie funktioniert maschinelles Lernen?

Mitteilungen des Berufsverbandes der Deutschen Radiologen

Mitteilungen des Berufsverbandes der Deutschen Radiologen

Leitthema

Maschinelles Lernen in der Radiologie

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

Weitere Lesetipps

ANZEIGE

CAT-Management - Was gibt es Neues bei den NMH

Komplementäre Medizin trotz schlechter Evidenz? Eine ethische Bewertung

Qualitätssicherung beim Prostatakarzinom: Das G-BA-Verfahren im Überblick

ANZEIGE

Sichere Antikoagulation bei ständig wechselnden Risikokonstellationen

ANZEIGE

Herausforderungen und Management krebsassoziierter Thrombosen

CME: Kolonkarzinom

Bildnachweise