KI findet verborgene Gesundheitshinweise in routinemäßigen CT-Aufnahmen
Ein KI-Modell hat aus routinemäßigen CT-Aufnahmen Krankheits- und Zukunftsrisikosignale extrahiert, doch der klinische Nutzen muss noch in Studien geprüft werden.
Zusammenfassung
Routinemäßige CT-Untersuchungen können Gesundheitsrisiken aufdecken, die über den eigentlichen Anlass der Untersuchung hinausgehen. Forschende der University of Pennsylvania haben Percival entwickelt, ein Modell der künstlichen Intelligenz, das mit mehr als 400.000 CT-Bildvolumen und den zugehörigen Befunden von 52.000 Teilnehmenden trainiert wurde. Die Bildmuster des Modells wurden mit 35 Laborwerten und 351 Diagnosekategorien in Verbindung gebracht. Auf diesen Mustern aufbauende Modelle erkannten dokumentierte Diagnosen mehrerer Herzerkrankungen und von Bauchspeicheldrüsenkrebs besonders gut. Auch bei der Vorhersage späterer Diagnosen übertraf Percival die Vergleichsmodelle; die stärksten Ergebnisse zeigten sich bei Herzinsuffizienz, Leberzirrhose und akutem Nierenversagen. Die meisten Laborwerte ließen sich jedoch nur schwer direkt schätzen. Die Ergebnisse deuten auf eine mögliche Methode hin, aus bereits vorhandenen Aufnahmen mehr Nutzen zu ziehen – nicht auf einen Grund, zusätzliche Bildgebung in Anspruch zu nehmen. Unabhängige Validierungen und Vergleiche mit Radiologen sind wichtige nächste Schritte.
Detaillierte Zusammenfassung
Routine-CT-Aufnahmen können Hinweise auf die Gesundheit enthalten, die weit über die Erkrankung hinausgehen, die Ärztinnen und Ärzte ursprünglich abklären wollten. Forschende der University of Pennsylvania haben ein Modell der künstlichen Intelligenz namens Percival entwickelt, um diese Hinweise auszulesen. Es könnte Klinikern helfen, übersehene Erkrankungen zu erkennen und künftige Risiken abzuschätzen, ohne zusätzliche Bilder anzufertigen oder Patienten einer zusätzlichen Strahlenbelastung auszusetzen.
Das Modell lernte anhand von mehr als 400.000 CT-Bildvolumina, die mit radiologischen Befunden von 52.000 Teilnehmenden der Penn Medicine BioBank verknüpft waren. Die Bildmuster spiegelten Alter, Geschlecht und Körpergröße wider. Die Forschenden fanden außerdem statistisch signifikante Zusammenhänge mit 35 Laborwerten, darunter Indikatoren für Nieren- und Leberfunktion, Stoffwechsel, Blutbild und Entzündung. Die direkte Schätzung der meisten einzelnen Laborwerte blieb jedoch schwierig.
Das Modell zeigte Zusammenhänge mit 351 Diagnosekategorien über mehrere Organsysteme hinweg. Als die Forschenden es darauf trainierten, Patienten mit und ohne dokumentierte Diagnosen zu unterscheiden, gehörten Vorhofflimmern, koronare Atherosklerose, Herzinsuffizienz und Bauchspeicheldrüsenkrebs zu den stärksten Ergebnissen. Es schnitt besser ab als ein Bildmodell, das ohne begleitende Befunde trainiert wurde. Das deutet darauf hin, dass die Verknüpfung von Bildern mit klinischen Beschreibungen nützliche Informationen hinzufügte.
Bei später gestellten Diagnosen übertraf Percival Vergleichsmodelle, die nur Bilder, Organmessungen oder Alter und Geschlecht verwendeten. Die Ergebnisse waren am stärksten für Herzinsuffizienz, Leberzirrhose und akutes Nierenversagen. Sollte sich der Ansatz bestätigen, könnte er Ärztinnen und Ärzten helfen, vorhandene Aufnahmen zu nutzen, um Patienten zu identifizieren, die weiter abgeklärt werden sollten. Er belegt nicht, dass zusätzliche CT-Screenings für gesunde Erwachsene von Nutzen wären.
Diese Ergebnisse beschreiben Zusammenhänge und Vorhersagen, keinen Beweis dafür, dass das Modell Erkrankungen früher erkennt oder die Behandlungsergebnisse verbessert. Der Artikel enthält keine detaillierten Genauigkeitsangaben, und ein direkter Vergleich mit Radiologen steht als nächster Schritt noch aus. Vor einem routinemäßigen Einsatz sind eine unabhängige Validierung, eine verlässliche Leistung in unterschiedlichen Bevölkerungsgruppen und Belege dafür nötig, dass Warnmeldungen zu einer besseren Versorgung führen. Patienten sollten etablierte Früherkennungsuntersuchungen weiterhin wahrnehmen und Befunde von Aufnahmen mit ihrer Ärztin oder ihrem Arzt besprechen, statt Bildgebung allein zur Risikovorhersage anzustreben.
Wichtigste Erkenntnisse
- Percival learned from more than 400,000 CT image volumes paired with radiology reports from 52,000 participants.
- Image patterns were associated with 35 laboratory measurements and 351 diagnosis categories, but most laboratory values remained difficult to estimate.
- Disease classification results were strongest for atrial fibrillation, coronary atherosclerosis, heart failure, and pancreatic cancer.
- Future diagnosis prediction outperformed comparison models, with strongest results for heart failure, cirrhosis, and acute kidney failure.
- The findings support further testing of existing scans, not additional CT screening for healthy adults.
Methodik
Dieser Forschungsbericht von Lifespan.io fasst eine Studie der University of Pennsylvania zusammen, die in npj Digital Medicine veröffentlicht wurde. Die Evidenz stammt aus dem Training eines KI-Modells für Bild und Text mit CT-Aufnahmen und radiologischen Befunden, woraufhin Zusammenhänge mit Laborwerten, dokumentierten Diagnosen und späteren Diagnosen untersucht wurden. Es handelt sich um eine beobachtende Vorhersagestudie und nicht um eine Studie, die verbesserte Behandlungsergebnisse bei Patienten belegt.
Studienlimitierungen
Der vorliegende Artikel bricht abrupt ab und enthält weder detaillierte Schätzungen zur Genauigkeit noch Angaben zu den Vorhersagezeiträumen oder ausreichende Informationen zur unabhängigen Validierung. In der Originalarbeit sollten die Trennung der Daten, mögliche Informationslecks (Data Leakage), die Diversität der untersuchten Population sowie die Frage geprüft werden, ob später dokumentierte Diagnosen tatsächlich neu aufgetretene Erkrankungen darstellen. Ein direkter Vergleich mit Radiologen und Belege für verbesserte klinische Ergebnisse stehen weiterhin aus.
Hat dir diese Zusammenfassung gefallen?
Erhalte die neueste Longevity-Forschung jede Woche in deinen Posteingang.
E-Mail-Adresse zum Abonnieren eingeben: