Computerassistierte Diagnose in der dynamischen Mamma-MRT: Kann maschinelles Lernen durch neuronale Netze die diagnostische Qualität der Analyse suspekter Läsionen verbessern?

Ziele: Entwicklung, Test und Evaluation eines Systems zur computerassistierten Charakterisierung diagnostisch unklarer Läsionen in der MR-Mammographie durch neuronale Netze. Methode: 88 Frauen mit 92 mammographisch unklaren Läsionen (BIRADS III-IV, histopathologisch 41/51 benigne/maligne Läsionen, Mediandurchmesser 12mm) wurden nach einem standardisierten dynamischen kontrastmittelunterstützten MR-Mammographie-Protokoll auf einem 1,5-T-System untersucht. Die Datenanalyse erfolgte durch ein dreischichtiges neuronales Radiale-Basisfunktionen-(RBF) Netzwerk zur automatischen Klassifikation läsionsspezifischer Signalintensitäts-(SI)-Zeitreihen, die durch 6-dimensionale Vektoren repräsentiert werden. Als Referenzverfahren wurde die interaktive visuelle Klassifikation der SI-Zeitreihen durch menschliche Experten gewählt (initialer SI-Anstieg und postinitialer SI-Verlauf) gemäß dem semiquantitativen Evaluationsschema nach Kuhl et al., Radiology 21:101–110. Zusätzlich wurden morphologische Kriterien auf Basis eines klinisch motivierten Klassifikationsschemas einbezogen. Die quantitative Analyse der Klassifikationsleistung erfolgte durch 25 Durchläufe eines systematischen leave-out cross-validation-Schemas, wobei für jeden Validierungsdurchlauf jeweils 50 zufällig ausgewählte Datensätze zum Training und 38 zum Test verwendet wurden. Zur quantitativen Beurteilung der diagnostischen Qualität wurden Flächen unter den ROC-Kurven (AUC) sowohl für das neuronale Netz als auch für die interaktive visuelle Klassifikation berechnet. Ergebnis: Maschinelles Lernen durch das neuronale Netz erhöhte sowohl Sensitivität als auch Spezifität für die Klassifikation benigner und maligner Läsionen, wie durch quantitative Analyse belegt werden konnte: Die Ergebnisse für das neuronale Netz (AUC=80±4%) waren der visuellen Klassifikation der SI-Zeitreihen durch menschliche Experten mit (AUC=64±5%) bzw. ohne (AUC=59±6%) Berücksichtigung der Läsionsmorphologie überlegen. Die Verbesserung der diagnostischen Qualität für die Klassifikation der SI-Zeitreihen durch das neuronale Netz war statistisch signifikant (zweiseitiger Wilcoxon-Test, verbundene Stichproben, p<0.05). Schlussfolgerung: Die automatische Klassifikation von Läsionen durch ein neuronales RBF-Netzwerk ist eine vielversprechende Methode für die computerassistierte Diagnose verdächtiger Läsionen in der dynamischen Mamma-MRT. Sie führt zu einer Verbesserung der diagnostischen Qualität im Vergleich zur visuellen interaktiven Klassifikation durch menschliche Experten.

Korrespondierender Autor: Wismüller A

Stiftsbogen 35, 81375 München

E-Mail: axel@wismueller.de