Artikel
Anwendung tiefer Neuronaler Netze für die Detektion von Harnblasenkarzinomen: Eine Machbarkeitsstudie mittels Domänen-Transfer
Suche in Medline nach
Autoren
-
Philipp Maisch
- Klinik für Urologie und Kinderurologie, Universitätsklinik Ulm, Ulm, Deutschland
-
Thomas Wittenberg
- Fraunhofer-Institut für Integrierte Schaltungen IIS, Erlangen, Deutschland
-
Thomas Eixelberger
- Lehrstuhl für Graphische Datenverarbeitung, FAU Erlangen, Erlangen, Deutschland
-
Sebastian Belle
- Klinik für Gastroenterologie der Universitäts-Medizin Mannheim, Mannheim, Deutschland
-
Stephan Kruck
- Klinik für Urologie, Siloah St. Trudpert Klinikum, Pforzheim, Deutschland
-
Maximilian Kriegmair
- Urologische Klinik München-Planegg, München, Deutschland
-
Christian Bolenz
- Klinik für Urologie und Kinderurologie, Universitätsklinik Ulm, Ulm, Deutschland
| Veröffentlicht: | 26. April 2024 |
|---|
Gliederung
Text
Einleitung: Um die Detektionsrate des Harnblasenkarzinoms gegenüber der Weißlichtzystoskopie zu erhöhen, wurden in den letzten Jahren Verfahren wie z.B. die Photodynamische Diagnostik, das Narrow Band Imaging oder die Optische Kohärenztomographie entwickelt. Die Anwendung künstlicher Intelligenz (KI) unter Nutzung tiefer Neuronaler Netze (NN) kann zur Verbesserung der Detektionsrate von Harnblasenkarzinomen führen.
Methode: Initial wurde ein NN mit einer sog. YOLOv7-tiny-Architektur iterativ auf > 35.000 koloskopischen Weißlichtbildern mit suspekten Läsionen trainiert. Die aktuelle Klassifikationsrate dieses NN liegt bei einer Precision = 0,92, Sensitivität = 0,90 und einem F1-Wert = 0,91. Für diese Studie wurden bizentrisch und prospektiv 406 zystoskopische Einzelbilder (n = 117 Patient:innen) mit Läsionen sowie 251 negative Befunde (unauffälliges Urothel) digital erfasst. Weiterhin wurden 19 zystoskopische Videosequenzen aufgezeichnet. Alle in den Daten abgebildeten Läsionen wurden von urologischen Fachärzten annotiert und verifiziert.
Ergebnisse: Alle zystoskopischen Bilder wurden mit dem NN analysiert. Eine ad-hoc-Detektion suspekter Läsionen in der Harnblase war bei der Mehrzahl der Befunde möglich. Das NN lieferte auf den zystoskopischen Bilddaten eine Precision = 0,82, ein Recall = 0,77 und ein F1-Wert = 0,79 bei einem vorgegebenen Überlappungswert (IoU) von 30%. Für die Videosequenzen ergab sich eine Precision = 0,64, ein Recall = 0,60 und ein F1-Wert = 0,62.
Schlussfolgerung: Diese Machbarkeitsstudie zeigt, dass mit Hilfe einer YOLOv7-tiny Architektur die Erstellung NN zur Tumordetektion beim Harnblasenkarzinom vereinfacht werden kann. Es zeigten sich bereits in dieser frühen Studienphase zufriedenstellende Detektionsraten für suspekte Läsionen. Die vorgestellte Methodik könnte die Verbreitung der KI im Rahmen einer „enhanced cystoscopy“ beschleunigen. Gegebenenfalls könnte die Methodik des Domänen Transfers auf andere Bereiche der Diagnostik, z.B. Sonographie übertragen werden.
