Das Dual-Perspektive-KI-Modell erreicht eine hohe Genauigkeit bei der Frühdiagnose von Lungenkrebs

Lungenkrebs bleibt weltweit die häufigste krebsbedingte Todesursache und ist für fast jeden fünften Krebstodesfall verantwortlich – etwa 1,8 Millionen Todesopfer pro Jahr. Einer der Hauptgründe ist die späte Diagnose: Im Frühstadium zeigt sich die Erkrankung als extrem kleine Knötchen, die selbst für erfahrene Radiologen nur schwer von gesundem Gewebe zu unterscheiden sind.

Für Ärzte bedeutet dies, ständig zwischen dem Sichtbaren und dem, was möglicherweise übersehen wird, abzuwägen. Selbst subtile Unterschiede in einem Scan können darüber entscheiden, ob Krebs früh erkannt oder völlig übersehen wird.
Forscher erforschen nun, wie künstliche Intelligenz (KI) zur Lösung dieser Herausforderung beitragen könnte, indem sie Ärzten eine zuverlässigere Möglichkeit bietet, komplexe medizinische Bilder zu analysieren.

Details und Kontext gleichzeitig sehen

Um die Erkennung von Lungenkrebs zu verbessern, haben Forscher ein System entwickelt, das lernt, Computertomographie-Scans (CT) auf eine Weise zu analysieren, die der Arbeitsweise von Ärzten sehr ähnelt – jedoch ohne die Notwendigkeit, zwischen den Perspektiven zu wechseln.

Ein Teil des Modells konzentriert sich auf kleine Details, wie winzige Flecken oder Texturen in der Lunge, während ein anderer Teil das Gesamtbild betrachtet und den größeren Kontext versteht.“

Inzamam Mashood Nasir, Forscher an der Kaunas University of Technology (KTU), einer der Entwickler des Systems

Dieser duale Ansatz beseitigt eine wesentliche Einschränkung bestehender Systeme, die oft nur einen Teil der Informationen erfassen – entweder feine Details oder die Gesamtstruktur, aber nicht beides gleichzeitig.

In der Praxis wechselt ein Radiologe ständig zwischen diesen beiden Ansichten – er zoomt auf verdächtige Bereiche und tritt dann einen Schritt zurück, um zu verstehen, wie sie sich auf die gesamte Lunge auswirken. Das KI-System übernimmt jedoch beide Aufgaben gleichzeitig.

„Man kann sich das so vorstellen, als hätte man gleichzeitig eine Lupe und einen vollständigen Überblick über den Scan“, erklärt Nasir.

Das Modell wurde mithilfe von CT-Scans sowohl von gesunden Personen als auch von Krebspatienten trainiert und lernte, Muster zu erkennen, die zwischen normalen, gutartigen und bösartigen Fällen unterscheiden.

Die Ergebnisse zeigen eine deutliche Leistungsverbesserung. Das System erreichte eine Genauigkeit von über 96 Prozent, übertraf damit bestehende Ansätze und behielt über verschiedene Tests hinweg eine stabile Leistung bei. „Dieser Fortschritt ist wichtig, insbesondere bei medizinischen Anwendungen, bei denen selbst kleine Unterschiede schwerwiegende Folgen haben können“, bemerkt KTU-Doktorand.

Anwendbar über Lungenkrebs hinaus – einschließlich Hirntumoren und Brustkrebs

In der klinischen Praxis könnte dieses System die Diagnose von Lungenkrebs verändern.

„Hier geht es darum, Ärzte zu unterstützen. Das System liefert eine zweite Meinung und trägt dazu bei, dass wichtige Details nicht übersehen werden und reduziert den Zeitaufwand pro Patient, insbesondere in Umgebungen mit hoher Arbeitsbelastung“, betont KTU-Forscher.

Für Patienten sind die Auswirkungen sogar noch bedeutender. Lungenkrebs wird oft erst spät diagnostiziert, wenn die Behandlungsmöglichkeiten begrenzt sind. Eine frühere Erkennung kann die Überlebensraten dramatisch erhöhen. „Eine frühe Diagnose bedeutet, dass die Behandlung früher beginnen kann und die Ergebnisse im Allgemeinen viel besser sind“, sagt Nasir.

Das System ist darauf ausgelegt, beide Seiten des Problems zu verbessern: Es reduziert die Anzahl verpasster Fälle und verringert gleichzeitig die Anzahl falscher Alarme, die zu unnötigem Stress und unnötigen Verfahren führen können.

Allerdings weisen die Forscher darauf hin, dass das aktuelle Modell auf einem relativ begrenzten Datensatz trainiert wurde und noch an größeren, vielfältigeren Patientengruppen getestet werden muss. „Unter realen Bedingungen gibt es viele Variablen – unterschiedliche Scanner, Bildgebungsprotokolle und Patientenpopulationen. Daher müssen wir sicherstellen, dass das System bei allen zuverlässig funktioniert“, erklärt Nasir.

Zu den zukünftigen Schritten gehören die klinische Validierung, Tests in Krankenhausumgebungen und die Integration in bestehende medizinische Systeme.

Mit Blick auf die Zukunft könnte derselbe Ansatz auch über Lungenkrebs hinaus angewendet werden. „Jede medizinische Bildgebungsaufgabe, die sowohl eine detaillierte Analyse als auch ein Verständnis des Gesamtbildes erfordert, könnte von dieser Art von Modell profitieren“, sagt Nasir und verweist auf Bereiche wie Hirntumoren, Brustkrebs und Augenkrankheiten.

Quellen: