KI-gestützte Anwendungen haben sich bereits darin bewährt, prostatakrebsverdächtige Läsionen zu erkennen. Dennoch wurden sie bisher nicht in Risikokalkulatoren für Biopsieentscheidungen einbezogen. Adrian Schrader vom DKFZ Heidelberg und Kolleg:innen wollen dies nun ändern. Sie prüften sowohl, ob sich PI-RADS* durch Deep-Learning-basierte Algorithmen ersetzen lässt, als auch, inwiefern eine Kombination beider Verfahren bessere Ergebnisse liefert.

Die Forschenden berücksichtigten retrospektiv Daten von insgesamt 1.627 Personen, die zwischen 2014 und 2021 wegen erhöhter PSA-Werte oder auffälliger rektaler Tastbefunde eine multiparametrische MRT und anschließend Biopsien erhielten. Anhand von mehr als 1.000 Befunden trainierten sie eine eigene Künstliche Intelligenz zur automatisierten Bildanalyse. 517 Untersuchte ohne vorherige Prostatakarzinomdiagnose bildeten die finale Validierungskohorte.

PI-RADS und das KI-basierte Analogon unterschieden sich bei einem Cut-off ≥ 4 weder in der Sensitivität noch der Spezifität signifikant (p = 0,39 bzw. p = 0,86). Ersetzte man PI-RADS in gebräuchlichen Risikokalkulatoren durch den neuen Marker, änderte sich die AUC und damit die Aussagekraft kaum. 

KI verbessert Biopsieentscheidungen erheblich

Mit einem PI-RADS ≥ 4 als Entscheidungskriterium ließen sich in der Validierungskohorte 37 % der Biopsien vermeiden (190/517), gleichzeitig würden zwölf klinisch relevante Malignome übersehen. Ein neuer Risikokalkulator, der sowohl PI-RADS als auch die KI-gestützte MRT-Beurteilung einschließt, würde hingegen sogar 49 % der Gewebeentnahmen überflüssig machen (252/517; 16 falsch-negativ). Der negative prädiktive Wert liegt in beiden Fällen bei 94 % (p = 0,98). Die Reduktion meist unnötiger Biopsieempfehlungen um zusätzliche zwölf Prozentpunkte ist andererseits hochsignifikant (p < 0,001).

Die Autor:innen schließen, dass KI-gestützte Bildauswertung, PI-RADS sowie klinische und demografische Merkmale komplementäre Informationen für die Biopsieentscheidung liefern. Zukünftig könne man weitere Risikofaktoren wie BMI, familiäre Vorbelastung oder genomische Marker einbeziehen. Zudem raten sie, ähnliche Deep-Learning-Strategien für weitere klinische Entscheidungen zu erproben, da MRT-Befunde auch prädiktiv für biochemische Rezidive und Prostatektomie-Outcomes seien.

Insgesamt schneide die automatisierte Bewertung allein zudem ähnlich gut ab wie erfahrene Radiolog:innen und eigne sich als Substitution für das PI-RADS. Der Algorithmus könne somit möglicherweise Fachleute unterstützen, die bisher weniger Erfahrung mit der Prostata-MRT haben. 

* Prostate Imaging – Reporting and Data System

Quelle:
Schrader A et al. Eur Radiol 2024; DOI: 10.1007/s00330-024-10818-0