Als nächstesNächster Leitfaden
KI-Dental-Röntgen-Hohlraumerkennung
Visuelle KI
Visueller KI-GUIDE
Die KI-Erkennung von Lungenknoten nutzt Computer-Vision-Modelle, meist tiefe neuronale Netze, um kleine Flecken in der Lunge auf CT-Scans zu finden, zu messen und zu bewerten und abzuschätzen, wie wahrscheinlich es ist, dass es sich bei jedem Fleck um Krebs handelt.
Dies ist wichtig, da ein niedrig dosiertes CT-Screening die Zahl der Todesfälle durch Lungenkrebs reduziert. Bei jedem Scan müssen jedoch Hunderte dünner Schichten gelesen werden, und die meisten Knötchen sind harmlos. Werkzeuge, die Knötchen zuverlässig finden und dabei helfen, riskante von harmlosen zu unterscheiden, wirken sich sowohl auf übersehene Krebserkrankungen als auch auf unnötige Folgemaßnahmen aus.
Ein Lungenknoten ist eine runde Stelle in der Lunge mit einem Durchmesser von bis zu etwa 3 cm. Alles, was größer ist, wird normalerweise als Masse bezeichnet. Knötchen kommen sehr häufig vor und die meisten davon sind alte Narben, Infektionen oder gutartige Wucherungen. Im CT werden sie als fest, teilfest oder mattglasartig beschrieben, und jeder Typ birgt ein anderes Risiko. Beim Screening hat die KI die meiste Aufmerksamkeit auf sich gezogen. Der 2011 veröffentlichte US-amerikanische National Lung Screening Trial ergab, dass die niedrig dosierte CT die Zahl der Lungenkrebstodesfälle im Vergleich zur Röntgenaufnahme des Brustkorbs um etwa 20 Prozent reduzierte. Die europäische NELSON-Studie bestätigte später einen Nutzen. Im Jahr 2021 empfahl die US Preventive Services Task Force ein jährliches Screening für Erwachsene im Alter von 50 bis 80 Jahren mit einer Rauchergeschichte von mindestens 20 Packungsjahren, die immer noch rauchen oder in den letzten 15 Jahren mit dem Rauchen aufgehört haben. Das Lung-RADS-System des American College of Radiology standardisiert die Art und Weise, wie Screening-Scans gemeldet und nachverfolgt werden. Knötchen, die bei Scans aus anderen Gründen zufällig gefunden werden, werden in der Regel nach den Richtlinien der Fleischner Society behandelt. KI erledigt drei verschiedene Aufgaben. Die Erkennung findet mögliche Knötchen. Die Messung segmentiert jeden Knoten, um seine Größe und sein Volumen zu ermitteln. Durch die Charakterisierung wird das Krebsrisiko abgeschätzt. Eine Google-Studie aus dem Jahr 2019 in Nature Medicine trainierte ein Deep-Learning-Modell auf NLST-Scans. In retrospektiven Tests ohne vorherigen Scan zum Vergleich konnte es Radiologen bei der Vorhersage von Krebs mithalten oder sogar übertreffen. Sybil wurde am MIT und am Massachusetts General Hospital entwickelt und schätzt das Lungenkrebsrisiko einer Person in den folgenden Jahren anhand einer einzigen niedrig dosierten CT ab, selbst wenn kein verdächtiger Knoten sichtbar ist. Falsch positive Ergebnisse sind der zentrale Kompromiss. In der NLST-Studie war etwa ein Viertel der Tests positiv, und die überwiegende Mehrheit davon betraf keinen Krebs. Ein empfindlicherer Detektor markiert mehr Stellen, was die Lesezeit, Folgescans, Angst und gelegentlich invasive Eingriffe erhöht. Ein weit verbreitetes Missverständnis ist, dass KI Lungenkrebs diagnostiziert. Es kennzeichnet und schätzt das Risiko, und nur die Gewebeentnahme bestätigt Krebs.
Visuelle KI kann Inspektions-, Erkennungs- und Kennzeichnungsaufgaben im großen Maßstab automatisieren.
Kreativteams können mit weniger manuellen Überarbeitungen schneller Prototypen von Konzepten erstellen.
Vorgänge können Bild- und Videosignale nutzen, die bisher schwer zu verarbeiten waren.
Forscher testen, wie Risikomodelle wie Sybil die Screening-Intervalle personalisieren könnten und ob KI dazu beitragen kann, Screening-Programme zu erweitern, ohne die Arbeitsbelastung des Radiologen proportional zu erhöhen. Screening-CTs zeigen auch Koronarkalzium und Emphyseme, daher können Tools, die diese Befunde melden, einen Mehrwert darstellen. Einige Programme untersuchen Screening-Gruppen außerhalb der auf Rauchen basierenden Kriterien, beispielsweise Personen mit einer Familienanamnese. Die wichtigsten offenen Fragen sind, wie diese Tools prospektiv bei verschiedenen Bevölkerungsgruppen und Scannern funktionieren und ob sie die Belastung durch falsch positive Ergebnisse verringern, ohne Krebserkrankungen zu übersehen. Diese Beweise häufen sich immer noch.
Auf jedem Niedrigdosis-CT führt ein Screening-Programm eine Erkennungssoftware aus. Es markiert einen 5 mm großen Knoten im rechten Oberlappen, der neben einem Blutgefäß sitzt und leicht zu übersehen ist, und der Radiologe bestätigt dies.
Eine Volumenmesssoftware vergleicht einen 7 mm großen festen Knoten mit dem Scan des Patienten von einem Jahr zuvor und berechnet die Volumenänderung. Dies hilft dem Radiologen bei der Zuweisung einer Lungen-RADS-Kategorie und eines Nachbeobachtungsintervalls.
Eine Klinik für Lungenknötchen wendet einen Malignitätsrisiko-Score auf einen 12-mm-Knoten an, der zufällig in einer Notfall-CT entdeckt wurde. Der Score hilft bei der Entscheidung zwischen PET-CT, Biopsie oder wiederholter Bildgebung.
Ein Gesundheitssystem durchsucht Thorax-CTs, die aus anderen Gründen angeordnet wurden, beispielsweise aufgrund eines Traumas oder einer Herzuntersuchung, und markiert zufällige Knötchen, die nie eine Folgeempfehlung erhalten haben.
Bildrechte und Einwilligungen können zu rechtlichen Risiken werden, wenn die Herkunft unklar ist.
Die Modellleistung kann je nach Beleuchtung, Demografie und Umgebung variieren.
Fehlalarme können unbemerkt bleiben, wenn die Konfidenzschwellen nicht überwacht werden.
Definieren Sie Akzeptanzkriterien für Präzision, Rückruf und Fehlerkosten.
Testen Sie mit Daten, die den realen Produktionsbedingungen entsprechen.
Fügen Sie eine menschliche Überprüfung für Vorhersagen mit geringem Vertrauen oder großer Auswirkung hinzu.
Verfolgen Sie die Modelldrift und führen Sie nach Kamera- oder Datensatzänderungen eine erneute Validierung durch.
Free newsletter
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Die KI-Erkennung von Lungenknoten nutzt Computer-Vision-Modelle, meist tiefe neuronale Netze, um kleine Flecken in der Lunge auf CT-Scans zu finden, zu messen und zu bewerten und abzuschätzen, wie wahrscheinlich es ist, dass es sich bei jedem Fleck um Krebs handelt. Dies ist wichtig, da ein niedrig dosiertes CT-Screening die Zahl der Todesfälle durch Lungenkrebs reduziert. Bei jedem Scan müssen jedoch Hunderte dünner Schichten gelesen werden, und die meisten Knötchen sind harmlos. Werkzeuge, die Knötchen zuverlässig finden und dabei helfen, riskante von harmlosen zu unterscheiden, wirken sich sowohl auf übersehene Krebserkrankungen als auch auf unnötige Folgemaßnahmen aus.
NLST verglich die Niedrigdosis-CT mit der Röntgenaufnahme des Brustkorbs und stellte fest, dass die Lungenkrebstodesfälle mit der CT um etwa 20 Prozent zurückgingen.
Die Empfehlung von 2021 gilt für Erwachsene im Alter von 50 bis 80 Jahren mit einer Rauchergeschichte von mindestens 20 Packungsjahren, die jetzt rauchen oder innerhalb der letzten 15 Jahre mit dem Rauchen aufgehört haben.
Lung-RADS deckt Screening-Untersuchungen ab. Knötchen, die bei Scans aus anderen Gründen zufällig gefunden werden, werden in der Regel nach den Richtlinien der Fleischner Society behandelt.
Sybil prognostiziert das Risiko für die folgenden Jahre anhand eines Scans, anstatt nur aktuelle Knötchen zu markieren.
Die FROC-Analyse erfasst den Kompromiss zwischen dem Auffinden von Knötchen und der Erzeugung falscher Markierungen bei jedem Scan.
Lerne weiter
Weitere Leitfäden zu diesem Thema ausgewählt
Als nächstesNächster Leitfaden
KI-Dental-Röntgen-Hohlraumerkennung
Visuelle KI