autoPET: Algorithmenensemble verbessert Analyse medizinischer Bilder

Künstliche Intelligenz kann die Auswertung von medizinischen Bilddaten verbessern. So können auf Deep Learning basierende Algorithmen die Lage und Größe von Tumoren feststellen. Dies ist das Ergebnis von autoPET, eines internationalen Wettbewerbs zur medizinischen Bildanalyse.

Bei der Diagnose von Krebs kommt bildgebenden Verfahren eine wesentliche Bedeutung zu. Die Lage, Größe und Art von Tumoren präzise zu bestimmen, ist entscheidend dafür, die passende Therapie zu finden. Zu den wichtigsten bildgebenden Verfahren gehören die Positronen-Emissions-Tomographie (PET) und die Computertomographie (CT). Die PET macht Stoffwechselvorgänge im Körper mithilfe von Radionukliden sichtbar. Bösartige Tumoren haben oft einen deutlich intensiveren Stoffwechsel als gutartige Gewebe. Verwendet wird dazu radioaktiv markierter Traubenzucker, meist Fluor-18-Desoxyglucose (FDG). Bei der CT wird der Körper in einer Röntgenröhre Schicht für Schicht durchleuchtet, um die Anatomie sichtbar zu machen und Tumoren zu lokalisieren.

Krebspatientinnen und Krebspatienten haben teilweise Hunderte von Läsionen, das heißt durch das Wachstum von Tumoren verursachte krankhafte Veränderungen. Für ein einheitliches Bild gilt es, alle Läsionen zu erfassen. Medizinerinnen und Mediziner bestimmen die Größe der Tumorläsionen, indem sie 2D-Schichtbilder manuell markieren – eine extrem aufwendige Arbeit. „Eine automatisierte Auswertung durch einen Algorithmus würde enorm Zeit sparen und die Ergebnisse verbessern“, erklärt Professor Rainer Stiefelhagen, Leiter des Computer Vision for Human-Computer Interaction Lab (cv:hci) des KIT.

Algorithmenensemble erkennt Tumorläsionen am besten

Wie die Forschenden in ihrer Publikation erklären, erwies sich ein Ensemble der bestbewerteten Algorithmen als überlegen gegenüber einzelnen Algorithmen. Das Algorithmenensemble kann die Tumorläsionen effizient und präzise erkennen. 

Original Paper:

Results from the autoPET challenge on fully automated lesion segmentation in oncologic PET/CT imaging | Nature Machine Intelligence

Weiterführende Informationen:

cv:hci – CVHCI

Lesen Sie auch:

Digitale Transformation in der Labormedizin: Einsatz klinisch validierter Algorithmen – MedLabPortal

Redaktion: X-Press Journalistenbüro GbR

Gender-Hinweis. Die in diesem Text verwendeten Personenbezeichnungen beziehen sich immer gleichermaßen auf weibliche, männliche und diverse Personen. Auf eine Doppel/Dreifachnennung und gegenderte Bezeichnungen wird zugunsten einer besseren Lesbarkeit verzichtet.