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 Urologie
Erschienen in: Die Urologie 5/2021

11.03.2021 | Prostatakarzinom | Leitthema

Maschinelles Lernen und multiparametrische MRT in der Früherkennung des Prostatakarzinoms

verfasst von: Prof. Dr. med. D. Bonekamp, Prof. Dr. med. Dipl.-Phys. H.-P. Schlemmer

Erschienen in: Die Urologie | Ausgabe 5/2021

Einloggen, um Zugang zu erhalten

Zusammenfassung

Die Früherkennung des Prostatakarzinoms (PCa) erfolgt entsprechend den aktualisierten Leitlinien immer öfter unter Zuhilfenahme der Magnetresonanztomographie (MRT), durch die verdächtige Bereiche in der Prostata aufgezeigt und danach in einer Ultraschall-MRT-Fusionsbiopsie gezielt histologisch untersucht werden können. Während dadurch bereits deutliche Verbesserungen in der diagnostischen Sensitivität und damit der korrekten frühen Diagnose des signifikanten PCa (sPCa) erzielt wurden, ist es von zunehmendem Interesse, diejenigen Männer zu identifizieren, bei denen mit ausreichender Sicherheit durch die MRT ein sPCa ausgeschlossen und so auf die Biopsie verzichtet werden kann. Parallel zu der Weiterentwicklung des PI-RADS-Befundungssystems („prostate imaging – reporting and data system“) entwickelt sich die künstliche Intelligenz (KI). Inzwischen wurden Prototypen diagnostischer KI-Systeme entwickelt, die in retrospektiven Forschungsstudien vergleichbare diagnostische Sicherheit zur klinischen PI-RADS-Befundung aufweisen. Solche auf Deep Learning (DL) basierende Systeme bergen großes Potenzial für die Zukunft der Frühdiagnose des PCa und könnten ein Mittel sein, Engpässe in der Ausbildung von auf Prostata-MRT spezialisierten Radiologen zu überwinden. Denn die Prostata-MRT-Befundung ist eine herausfordernde Aufgabe, die eine hohe Expertise voraussetzt. Daher soll in diesem Artikel ein Überblick über maschinelles und DL und seine Anwendung in der multiparametrischen MRT zur Primärdiagnostik des sPCa gegeben werden.
Literatur
1.
2.
Weinreb JC et al (2016) PI-RADS Prostate Imaging—Reporting and Data System: 2015, Version 2. Eur Urol 69(1):16–40PubMedCrossRef
3.
Ahmed HU et al (2017) Diagnostic accuracy of multi-parametric MRI and TRUS biopsy in prostate cancer (PROMIS): a paired validating confirmatory study. Lancet 389(10071):815–822PubMedCrossRef
4.
Kasivisvanathan V et al (2018) MRI-targeted or standard biopsy for prostate-cancer diagnosis. N Engl J Med 378(19):1767–1777PubMedCrossRef
5.
Drost F‑JH et al (2020) Prostate magnetic resonance imaging, with or without magnetic resonance imaging-targeted biopsy, and systematic biopsy for detecting prostate cancer: a Cochrane systematic review and meta-analysis. Eur Urol 77(1):78–94PubMedCrossRef
6.
Moldovan PC et al (2017) What is the negative predictive value of multiparametric magnetic resonance imaging in excluding prostate cancer at biopsy? A systematic review and meta-analysis from the European Association of Urology Prostate Cancer Guidelines Panel. Eur Urol 72(2):250–266PubMedCrossRef
7.
Bass E et al (2020) A systematic review and meta-analysis of the diagnostic accuracy of biparametric prostate MRI for prostate cancer in men at risk. Prostate Cancer Prostatic Dis p:1–16
8.
Westphalen AC et al (2020) Variability of the positive predictive value of PI-RADS for prostate MRI across 26 centers: experience of the society of abdominal radiology prostate cancer disease-focused panel. Radiology p:190646
9.
Chen JH, Asch SM (2017) Machine learning and prediction in medicine—beyond the peak of inflated expectations. N Engl J Med 376(26):2507PubMedPubMedCentralCrossRef
10.
Maclure J (2019) The new AI spring: a deflationary view. Ai Soc p:1–4
11.
Russakovsky O et al (2015) Imagenet large scale visual recognition challenge. Int J Comput Vis 115(3):211–252CrossRef
12.
Krizhevsky A, Sutskever I, Hinton GE (2017) Imagenet classification with deep convolutional neural networks. Commun ACM 60(6):84–90CrossRef
13.
Hinton GE et al (2012) Improving neural networks by preventing co-adaptation of feature detectors. arXiv preprint arXiv:1207.0580
14.
15.
Ballester P, Araujo R (2016) On the performance of GoogLeNet and AlexNet applied to sketches. In: Proceedings of the AAAI Conference on Artificial Intelligence
16.
Szegedy C et al (2017) Inception-v4, inception-resnet and the impact of residual connections on learning. In: Proceedings of the AAAI Conference on Artificial Intelligence
17.
Tan M, Le QV (2019) Efficientnet: rethinking model scaling for convolutional neural networks. arXiv: 1905.11946
18.
Gatys LA, Ecker AS, Bethge M (2016) Image style transfer using convolutional neural networks. In: Proceedings of the IEEE conference on computer vision and pattern recognition
19.
Xie J, Xu L, Chen E (2012) Image denoising and inpainting with deep neural networks. Adv Neural Inf Process Syst 25:341–349
20.
Ronneberger O, Fischer P, Brox T (2015) U‑net: Convolutional networks for biomedical image segmentation. In: International Conference on Medical image computing and computer-assisted intervention. Springer, Berlin
21.
Aerts HJ et al (2014) Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nat Commun 5(1):1–9
22.
Bonekamp D et al (2018) Radiomic machine learning for characterization of prostate lesions with MRI: comparison to ADC values. Radiology 289(1):128–137PubMedCrossRef
23.
Schelb P et al (2019) Classification of cancer at prostate MRI: deep learning versus clinical PI-RADS assessment. Radiology 293(3):607–617PubMedCrossRef
24.
25.
26.
Kohl S et al (2017) Adversarial networks for the detection of aggressive prostate cancer. arXiv preprint arXiv:1702.08014
27.
Firmino M et al (2016) Computer-aided detection (CADe) and diagnosis (CADx) system for lung cancer with likelihood of malignancy. BioMed Eng OnLine 15(1):1–17CrossRef
28.
Suzuki K (2012) A review of computer-aided diagnosis in thoracic and colonic imaging. Quant Imaging Med Surg 2(3):163PubMedPubMedCentral
29.
Baker JA et al (2003) Computer-aided detection (CAD) in screening mammography: sensitivity of commercial CAD systems for detecting architectural distortion. Am J Roentgenol 181(4):1083–1088CrossRef
30.
Armato SG et al (1999) Computerized detection of pulmonary nodules on CT scans. Radiographics 19(5):1303–1311PubMedCrossRef
31.
32.
Cheng J‑Z et al (2016) Computer-aided diagnosis with deep learning architecture: applications to breast lesions in US images and pulmonary nodules in CT scans. Sci Rep 6(1):1–13
33.
34.
35.
Zhang Z, Sabuncu MR (2018) Generalized cross entropy loss for training deep neural networks with noisy labels. arXiv preprint arXiv:1805.07836
36.
37.
Ruder S (2016) An overview of gradient descent optimization algorithms. arXiv preprint arXiv:1609.04747
38.
Bernstein J et al (2018) signSGD with majority vote is communication efficient and fault tolerant. arXiv preprint arXiv:1810.05291
39.
Hong S et al (2015) Online tracking by learning discriminative saliency map with convolutional neural network. In: International conference on machine learning PMLR.
40.
Ng A (2011) Sparse autoencoder. CS294A Lecture notes, Bd. 72, S 1–19
41.
Wang X et al (2021) Comparison of single-scanner single-protocol quantitative ADC measurements to ADC ratios to detect clinically significant prostate cancer. Eur J Radiol p:109538CrossRef
42.
Zhao B et al (2016) Reproducibility of radiomics for deciphering tumor phenotype with imaging. Sci Rep 6(1):1–7
43.
Kesch C et al (2018) Correlation between genomic index lesions and mpMRI and (68)Ga-PSMA-PET/CT imaging features in primary prostate cancer. Sci Rep 8(1):16708PubMedPubMedCentralCrossRef
44.
Rieke N et al (2020) The future of digital health with federated learning. NPJ Digit Med 3(1):1–7CrossRef
45.
Sørensen TJ (1948) A method of establishing groups of equal amplitude in plant sociology based on similarity of species content and its application to analyses of the vegetation on Danish commons Bd. 5. Munksgaard, Copenhagen
46.
Armato SG et al (2018) PROSTATEx Challenges for computerized classification of prostate lesions from multiparametric magnetic resonance images. J Med Imaging 5(4):44501CrossRef
47.
Giganti F et al (2020) Prostate Imaging Quality (PI-QUAL): a new quality control scoring system for multiparametric magnetic resonance imaging of the prostate from the PRECISION trial. Eur Urol Oncol 3(5):615–619PubMedCrossRef
Metadaten
Titel
Maschinelles Lernen und multiparametrische MRT in der Früherkennung des Prostatakarzinoms
verfasst von
Prof. Dr. med. D. Bonekamp
Prof. Dr. med. Dipl.-Phys. H.-P. Schlemmer
Publikationsdatum
11.03.2021
Verlag
Springer Medizin
Erschienen in
Die Urologie / Ausgabe 5/2021
Print ISSN: 2731-7064
Elektronische ISSN: 2731-7072
DOI
https://doi.org/10.1007/s00120-021-01492-x

Weitere Artikel der Ausgabe 5/2021

Die Urologie 5/2021 Zur Ausgabe

Termine

Termine

Geschichte der Urologie

Der Tanz der kleinen Spirochäten

Leitthema

Intelligente Prostatakarzinomfrüherkennung 2021 – mehr Nutzen als Schaden

CME

CME: So geht die Ejakulatdiagnostik gemäß WHO

DGU-Kolumne

DGU-Kolumne

GeSRU

German Society for Residents in Urology

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

CME: Beckenvenenthrombose – Aktuelle Therapieoptionen und Stellenwert rekanalisierender Verfahren

Postradiogene Morphea – eine Übersicht

ANZEIGE

Krebsassoziierte Thrombosen – ein steigendes Problem

Erhöhtes Keratitis-Risiko unter EGFR-Inhibitor-Therapie

ANZEIGE

Spagat zwischen Leitlinien und klinischem Alltag

ANZEIGE

Sichere Antikoagulation bei ständig wechselnden Risikokonstellationen

Bildnachweise