Brustkrebsfrüherkennung mit Technologie verbessern

Brustkrebs ist ein grosses Thema, besonders wenn Frauen älter werden. Gesundheits-Experten empfehlen, dass Frauen über 40 oder 50 alle paar Jahre ein Röntgen-Mammogramm machen lassen sollten. Allein in Kanada und den USA werden jährlich etwa 40 Millionen Mammogramme durchgeführt. Davon werden rund zwei Millionen von Ärzten als Verdächtig eingestuft. Allerdings stellt sich bei nur etwa 270.000 dieser Fälle heraus, dass es sich tatsächlich um Brustkrebs handelt. Das bedeutet, dass weniger als 1% der Untersuchungen echten Krebs zeigen. Lustigerweise rutschen trotz all dieser Kontrollen etwa 20% der Brustkrebserkrankungen durch.

Um das Ganze zu verbessern, versuchen viele Einrichtungen, die doppelte Auswertung (wo zwei Ärzte den gleichen Scan ansehen) und künstliche Intelligenz zu nutzen. Diese Bemühungen scheinen die Genauigkeit ein bisschen zu verbessern, machen die Sache aber auch teurer und lösen das Problem mit den Fehlalarmen nicht vollständig.

Seit den 1980er Jahren, als regelmässigere Screenings begonnen wurden, hat sich die Technologie stark weiterentwickelt. Zunächst wurden Mammogramme mit bestimmten Materialien für die Röntgenstrahlen optimiert, und spezielle Filme machten die Bilder klarer. Im Laufe der Zeit wurde diese Filmtechnik durch neuere digitale Technologien ersetzt, die eine bessere Datenspeicherung ermöglichten und den gesamten Prozess vereinfachten. Heutzutage werden Mammogramme normalerweise im DICOM-Format gespeichert, das viele wichtige Details darüber enthält, wie die Bilder erstellt wurden.

Innovationen bei den Detektoren haben dazu geführt, dass wir Kameras haben, die besser sehen und selbst die kleinsten Anzeichen von Problemen erkennen können. Es gibt auch neue Methoden, um Bilder von der Brust zu machen, die es den Ärzten erleichtern, durch überlappendes Gewebe besser zu sehen. Mit Tausenden von Terabytes an Bildern wurden Computerprogramme entwickelt, um Warnzeichen zu erkennen.

In den Anfangstagen suchten Computerprogramme nach hellen Punkten in Mammogrammen, was typischerweise Bereiche mit Verkalkungen bedeutete, die auf Krebs hindeuten könnten. Aber nicht alle Krebserkrankungen zeigen diese Anzeichen, also begannen die Forscher, sich darauf zu konzentrieren, Tumore zu finden, die sich von Verkalkungen unterscheiden. Diese Tumore können trickier sein, weil sie oft nicht wie klare Klumpen aussehen. Stattdessen haben sie möglicherweise unscharfe Ränder, die in normales Gewebe übergehen, was es schwierig macht, sie zu erkennen, besonders bei jüngeren Frauen, deren Brustgewebe oft dichter und faseriger ist.

Je komplexer die Algorithmen werden, desto schwieriger wird es, ihre Leistung im Brustkrebs-Screening zu verbessern. Ausserdem will niemand, dass diese Programme die Kosten noch weiter erhöhen. Frühe Studien fanden heraus, dass diese Programme manchmal die Effizienz verringern konnten, aufgrund aller Fehlalarme. Während erfahrene Radiologen kaum Nutzen aus der Computerhilfe zogen, profitierten weniger erfahrene davon. Es ist ein gemischtes Bild, aber viele Entwickler bleiben dran und versuchen, diese Programme zu verfeinern.

Der Fortschritt hat sich jedoch etwas verlangsamt. Frühe Software war oft einfacher zu erstellen, weil sie einen engeren Fokus hatte. Wenn die Entwickler versuchen, schwierigere Probleme anzugehen, steigt die Wahrscheinlichkeit, dass etwas schiefgeht. Ausserdem muss jede Software, die für Diagnosen verwendet wird, von den medizinischen Behörden genehmigt werden, was Zeit in Anspruch nimmt und einen Mangel an guten Testdaten aufdecken kann.

#Bestehende Datensätze: Eine Übersicht

Viele Versuche, diese Programme zu verbessern, haben einige ältere Datensätze verwendet, wie den MIAS und DDSM. Es gibt noch andere Datensätze, aber die meisten sind nicht leicht zugänglich. Der beliebte DDSM-Datensatz enthält zum Beispiel viel mehr abnormale Fälle als normale. Das verzerrt die Daten und kann dazu führen, dass ein Computerprogramm nicht gut mit echten Patienten funktioniert.

Ausserdem gibt es verschiedene Arten von Bildern in diesen Datensätzen. Einige Datensätze verwenden digitalisierte Filmbilder, während andere verschiedene Arten von digitalen Bildern mischen. Die Dateiformate sind durcheinander, und viele dieser Datensätze verwenden nicht einmal das Standard-DICOM-Format, was frustrierend für jeden ist, der Software für den medizinischen Gebrauch lizenzieren möchte.

Was die Auflösung angeht, könnte ein Programm, das darauf ausgelegt ist, winzige Verkalkungen zu finden, diese verpassen, wenn die Bilder nicht klar genug sind. Wenn die Auflösung zu hoch ist, könnte es durch riesige Dateien ausgebremst werden. Die Qualität zu senken kann helfen, die Dinge zu beschleunigen, aber dabei könnten wichtige Details verloren gehen.

Die Arten von Bildern und der Mangel an wichtigen Informationen erschweren es Programmierern, zuverlässige Software zu entwickeln. Viele Datensätze fehlen auch spezifische Details über die verwendeten Geräte für die Mammogramme, was helfen könnte, die Verarbeitung der Bilder zu standardisieren. Das DICOM-Format ist nützlich, weil es diese Informationen im Header jeder Datei speichert, was alles einfacher macht.

Ein grosses Hindernis bei Computerprogrammen, die Deep Learning verwenden, ist der Bedarf an einer riesigen Menge an Bilddaten zum Trainieren. Die Datensätze für Brustkrebsscreenings haben oft nicht genug normale und verdächtige Fälle. Einige gängige Datensätze sind:

• DDSM: Enthält über 10.000 Bilder, aber die Anzahl der abnormalen Fälle übersteigt bei weitem das, was man in einem echten Screeningprogramm sehen würde.

• CBIS-DDSM: Eine detailliertere Version von DDSM, die sich auf krebsartige Bilder konzentriert.

• MIAS: Ein klassischer Datensatz mit digitalisierten Bildern, die auf Anomalien untersucht wurden.

• InBreast: Ein neuerer Datensatz mit Bildern von Patienten, die jeweils sorgfältig von Spezialisten dokumentiert wurden.

• VinDr: Ein Datensatz aus Vietnam mit Tausenden von Bildern, der auch Bewertungen für die Brustdichte und mehr enthält.

• CMMD: Ein chinesischer Datensatz, der eine Mischung aus gutartigen und bösartigen Fällen enthält.

• RSNA: Ein grosser Datensatz mit vielen Bildern, aber weniger Krebsfällen als die anderen.

• OPTIMAM: Ein bedeutender britischer Datensatz, der Intervallkrebserkrankungen und bioptisch verifizierte Fälle verfolgt.

Ein interessanter Datensatz ist der NL-Breast-Screening (NLBS) Datensatz, der eine realistischere Mischung aus Fällen enthält. Ziel war es, Bilder aus einem Screening-Programm in Neufundland mit entsprechender Zustimmung zu sammeln.

In diesem Datensatz wurden alle diagnostizierten Patienten durch weitere Tests bestätigt. Normale Fälle wurden für mindestens zwei Jahre als krebsfrei verifiziert. Sie haben fast 27.000 Bilder gesammelt, die rund 6.000 Fälle repräsentieren. Ihr Datensatz ist ein Schatz, da er realistischere Zahlen widerspiegelt als viele andere Datensätze.

#Der NLBS-Datensatz und seine Erkenntnisse

Der NLBS-Datensatz enthält eine Mischung aus normalen Fällen, falsch positiven und positiven Krebsfällen. Das Durchschnittsalter der Patienten in der positiven Krebsgruppe war etwas höher als in der Gruppe mit falsch positiven Ergebnissen, was zeigt, dass ältere Frauen tendenziell häufiger diagnostiziert werden. Der Datensatz umfasst auch eine Vielzahl von Bildern für beide Seiten der Brust und aus verschiedenen Perspektiven, was notwendig ist, um eine umfassende Analyse zu haben.

Obwohl sie eine beträchtliche Sammlung haben, besteht die Sorge, dass nicht genügend bestätigte Fälle vorhanden sind, um alle Arten von Krebs zu erfassen. Sie planen, weiterhin Bilder zu sammeln, um dieses Problem zu lösen. In der Zwischenzeit können sie Bilder aus anderen Quellen verwenden, um die Lücken zu füllen, wobei sie auch im Hinterkopf behalten, dass die Populationen in diesen Datensätzen von der kanadischen Bevölkerung abweichen können.

Der NLBS-Datensatz schliesst Informationen über die Dichte des Brustgewebes aus, ist aber gut verifiziert, sodass alle normalen Fälle als krebsfrei bestätigt wurden. Die Bilder sind im DICOM-Format, was es Forschern erleichtert, sie zu nutzen.

#Ausblick: Vorschläge und Verbesserungen

Wenn wir über die Zukunft von Brustkrebsscreenings und Technologie nachdenken, gibt es ein paar Dinge, die wir im Auge behalten sollten:

1. Sensitivitätsziele: Wenn wir jeden positiven Fall finden wollen, müssen wir normale Bilder genauer analysieren, um Merkmale zu erkennen, die auf Krebs hindeuten könnten.

2. Verwendung fortschrittlicher Technologien: Mehrere falsch positive Ergebnisse könnten bedeuten, dass wir unsere Algorithmen so trainieren müssen, dass die Vorhersagen besser ausgewogen sind.

3. Vergleich der Nachweismethoden: Es ist wichtig zu verstehen, ob falsch positive Ergebnisse aus KI-Systemen die gleichen sind wie die von Radiologen, damit wir uns entsprechend verbessern können.

4. Leistungskennzahlen: Berichte darüber, wie gut Systeme durch verschiedene Masse wie die AUC (Area Under Curve) und Verwirrungsmatrizen abschneiden, können klarere Erkenntnisse liefern.

5. Vorverarbeitungstechniken: Wir sollten nach Möglichkeiten suchen, irrelevante Daten herauszufiltern, um uns auf das Wesentliche zu konzentrieren.

6. Testen verschiedener Merkmale: Verschiedene Merkmale oder Methoden auszuprobieren könnte helfen, herauszufinden, was am besten zur Erkennung von Brustkrebs funktioniert.

7. Strahlungsüberlegungen: Es ist wichtig, darauf zu achten, wie viel Strahlung in diesen Verfahren verwendet wird.

8. Berücksichtigung des Fettgehalts: Die Vorhersage des Fettgehalts im Brustgewebe könnte auch helfen, die Fehlerraten bei Diagnosen zu reduzieren.

9. Einbindung von Radiologen-Insights: Das Einpflegen von Zusammenfassungen von Radiologen in die Trainingsdaten könnte zu genaueren Modellen führen.

10. Nachverfahrens-Prozeduren: Die Nachverfolgung von Krebserkrankungen, die später auftreten, und die erneute Überprüfung negativer Fälle könnten helfen, die Ergebnisse zu verbessern.

Es ist wichtig, einen soliden Plan für Tests zu erstellen, der speziell das Problem von Datenlecks anspricht, die Ergebnisse verzerren können.

#Fazit

Sich im Bereich Brustkrebsscreening und künstlicher Intelligenz zurechtzufinden, ist keine kleine Aufgabe. Während Fortschritte in Technologie und Datensammlung gemacht wurden, liegen noch mehrere Herausforderungen vor uns. Die fortlaufenden Bemühungen, qualitativ hochwertige Datensätze zu sammeln und diagnostische Methoden zu verfeinern, sind entscheidend für die Verbesserung der Brustkrebsdiagnose und -behandlung. Indem wir einen Blick in die Zukunft werfen und uns kontinuierlich an neue Erkenntnisse anpassen, bleibt das ultimative Ziel: Brustkrebs so früh wie möglich zu erkennen und mehr Leben zu retten. Denk dran, Lachen heilt vielleicht nicht den Krebs, aber es hilft sicher, die Last zu erleichtern, während wir darum kämpfen!