KI-System erkennt in klinischer Studie mit 10.000 Patienten 15 übersehene Leberkrebserkrankungen
Ein KI-gestütztes Diagnoseinstrument für bösartige Lebertumoren in der CT erzielte in einer prospektiven Studie eine AUC von 0,952 und deckte 51 übersehene Läsionen auf.
Zusammenfassung
Leberkrebs wird häufig in Kontrast-CT-Untersuchungen entdeckt, doch kleine Tumoren können übersehen werden, wenn Radiologen stark ausgelastet sind oder sich auf ein anderes Problem konzentrieren. Forscher haben ein KI-System namens LiON entwickelt, das diese Aufnahmen auf Leberkrebs hin auswertet. Sie testeten es an mehr als 22.000 Patienten in mehreren Krankenhäusern. LiON schnitt besser ab als alle 11 Radiologen, die die Bilder ohne Hilfe befundeten, und es machte Radiologen schneller und genauer, wenn sie es einsetzten. In einer Studie unter Alltagsbedingungen mit 10.333 Patienten lief das System parallel zur routinemäßigen Befundung mit. Es markierte 51 zuvor übersehene Läsionen, darunter 15 kleine Metastasen, und führte zu 37 korrigierten Befunden und 22 Überprüfungen durch Fachteams. Bei vier Patienten änderte sich die Behandlung, und fünf neue Krebserkrankungen wurden bestätigt. Die Überprüfung durch Menschen blieb verpflichtend, und es traten keine der KI zuzuschreibenden Schäden auf. Die Studie wurde in einer einzigen chinesischen Population durchgeführt und hatte keine Vergleichsgruppe, daher sind die Auswirkungen auf die Behandlungsergebnisse der Patienten weiterhin nicht belegt.
Detaillierte Zusammenfassung
Leberkrebs, sowohl primäre Tumoren wie das hepatozelluläre Karzinom (HCC) als auch Metastasen anderer Organe, ist weltweit eine große Belastung, und die Prognose hängt stark vom Stadium ab. Die Überlebenszeit beim HCC reicht von mehr als fünf Jahren bei früher Entdeckung bis zu wenigen Monaten im fortgeschrittenen Stadium. Die kontrastmittelverstärkte CT (CE-CT) ist das bildgebende Verfahren der ersten Wahl, doch ihre Auswertung ist anspruchsvoll. Kleine Läsionen, Metastasen sowie durch Steatose oder Zirrhose veränderte Lebern werden leicht fehlbeurteilt, und die Beurteilung der Leber ist bei jeder abdominellen CE-CT verpflichtend, auch wenn die Untersuchung aus einem anderen Grund angeordnet wurde. Diese Studie prüfte, ob ein KI-Sicherheitsnetz helfen kann.
Die Forschenden entwickelten das Liver DiagnOsis Network (LiON), ein Ende-zu-Ende-System, das jede Patientin und jeden Patienten als maligne oder nicht maligne klassifiziert und acht Läsionssubtypen segmentiert. Es akzeptiert optional Aufnahmen der Spätphase und optional klinische Daten. Es wurde an 6.443 Patientinnen und Patienten aus zwei Zentren trainiert und retrospektiv an 22.251 Patientinnen und Patienten validiert. Die Validierung erfolgte in drei Stufen: grundlegende multizentrische Tests, zwei Belastungstests sowie Real-World-Kohorten mit konsekutiven Patienten plus eine prospektive einarmige Studie (NCT07153783).
In der externen Testung (n = 4.071, fünf Zentren) erreichte LiON eine AUC von 0,975 bei 90,2 % Sensitivität und 97,6 % Spezifität. Beim Läsionsscreening übertraf es ein selbstkonfigurierendes nnU-Net (AUC 0,956 vs. 0,926). In einer Reader-Studie mit drei Durchgängen an 300 Patientinnen und Patienten lag die AUC von LiON mit 0,958 über der aller 11 Radiologinnen und Radiologen, die die Bilder ohne Unterstützung beurteilten (0,654–0,826). KI-Unterstützung steigerte die balancierte Genauigkeit der Radiologen um 6,6 % und die Sensitivität um 11,5 %, verkürzte die Befundungszeit um 27,1 % und brachte Nachwuchsradiologen auf das Genauigkeitsniveau unassistierter erfahrener Kollegen. Die Hinzunahme von 19 klinischen Variablen erhöhte die AUC für Metastasen von 0,937 auf 0,983.
Es folgten zwei Belastungstests. Bei 150 HCC-Fällen im Frühstadium erreichte LiON allein anhand der CT eine AUC von 0,972 (Sensitivität 85,0 %) und kam damit der radiologischen Beurteilung der Gadoxetsäure-MRT nahe, wobei der erfahrene MRT-Befunder jedoch eine höhere Sensitivität hatte. Für Lebermetastasen bei 1.511 Patientinnen und Patienten mit Bauchspeicheldrüsenkrebs lag die AUC bei 0,979 mit 93,5 % Sensitivität und 94,5 % Spezifität. Bei 15.330 konsekutiven Patientinnen und Patienten aus der Praxis betrug der negative prädiktive Wert 99,0 % und der positive prädiktive Wert 50,4 %. Die AUC blieb bei Lebersteatose bei 0,971 und bei Zirrhose bei 0,924.
Die einarmige Studie lief von September bis Oktober 2025 an einem Krankenhaus und schloss 10.333 konsekutive Patientinnen und Patienten ein. LiON befundete die Aufnahmen parallel zu den Radiologen; bei abweichenden Befunden wurde ein erfahrener Radiologe und anschließend ein multidisziplinäres Team (MDT) hinzugezogen. Der primäre Endpunkt (untere Grenze des 95-%-KI über 0,900) wurde mit einer AUC von 0,952 (95-%-KI 0,942–0,961) erreicht. Die Sensitivität betrug 82,7 %, die Spezifität 95,3 %, der PPV 49,2 % und der NPV 99,0 %. Die Überprüfung ergab 51 bestätigte übersehene Läsionen, darunter 15 kleine Metastasen (1,45 zusätzliche Malignome pro 1.000 Untersuchungen). Es gab 37 Befundkorrekturen und 22 MDT-Eskalationen, 14 Patientinnen und Patienten wurden einbestellt, und fünf neue Malignome wurden bestätigt. Bei vier Patientinnen und Patienten wurde die Behandlung geändert.
Diese Ergebnisse legen nahe, dass KI als in den Arbeitsablauf integrierbarer Zweitbefunder dienen kann, insbesondere bei kleinen Metastasen, die auf nicht leberfokussierten Untersuchungen übersehen werden. Wichtige Einschränkungen sind das einarmige Design, die kurze Nachbeobachtung, eine einzige chinesische Population und eine Studie ohne klinische Daten. Bei Zirrhose war die Leistung geringer, und ein Nutzen für die Behandlungsergebnisse der Patientinnen und Patienten wurde nicht gezeigt.
Wichtigste Erkenntnisse
- In external validation (n = 4,071, five centers), LiON reached an AUC of 0.975 for malignancy diagnosis, with 90.2% sensitivity and 97.6% specificity.
- In a 300-patient reader study, LiON's AUC of 0.958 beat all 11 radiologists reading images alone (AUC 0.654–0.826). AI assistance raised balanced accuracy by 6.6% and sensitivity by 11.5%, and cut reading time by 27.1%.
- On CT alone in 150 early-stage HCC cases, LiON had an AUC of 0.972 (sensitivity 85.0%), approaching radiologist reads of gadoxetic-acid MRI. The senior MRI reader still had higher sensitivity.
- For hepatic metastasis in 1,511 pancreatic cancer patients, LiON had an AUC of 0.979 with 93.5% sensitivity and 94.5% specificity.
- The prospective single-arm trial (n = 10,333) met its primary endpoint with an AUC of 0.952 (95% CI 0.942–0.961), plus 82.7% sensitivity, 95.3% specificity, 49.2% PPV and 99.0% NPV.
- AI–human collaboration found 51 overlooked lesions, including 15 small metastases (1.45 additional malignancies per 1,000 CE-CTs). It led to 37 amended reports, 22 MDT escalations, five new confirmed malignancies and treatment changes in four patients.
- In 15,330 real-world consecutive patients, AUC stayed high in hepatic steatosis (0.971) but fell in cirrhosis (0.924).
Methodik
LiON ist ein durchgängiges (End-to-End) Deep-Learning-System für die kontrastmittelverstärkte CT (CE-CT) mit optionalen Eingaben aus der Spätphase (Delayed Phase) und klinischen Daten. Es wurde an 6.443 Patientinnen und Patienten trainiert und in drei Stufen validiert: in einer internen Kohorte (n = 300) und einer externen Kohorte aus fünf Zentren (n = 4.071), in zwei Stresstest-Kohorten (frühes HCC im Vergleich zur MRT, n = 150; Pankreaskarzinom, n = 1.511) sowie in Real-World-Kohorten (n = 16.219 retrospektiv, n = 10.333 prospektiv). Die Diagnosen wurden durch Pathologie, mindestens ein Jahr Nachbeobachtung oder einen Konsens des multidisziplinären Tumorboards (MDT) gesichert. Statistisch kamen Bootstrap-Konfidenzintervalle mit 2.000 Replikationen, DeLong-Tests für AUCs und Permutationstests zum Einsatz. Die einarmige Studie (NCT07153783) wurde von September bis Oktober 2025 an einem Zentrum durchgeführt; das primäre Erfolgskriterium war eine untere Konfidenzgrenze der AUC oberhalb von 0,900.
Studienlimitierungen
Die Validierung erfolgte ausschließlich an chinesischen Kohorten, die Studie wurde an einem einzigen Zentrum durchgeführt, und das Design war einarmig mit kurzer Nachbeobachtung. Auswirkungen auf patientenrelevante Endpunkte und auf die Kosten sind daher nicht belegt. Beim prospektiven Einsatz wurden keine klinischen Daten verwendet, was eine leichte konservative Verzerrung mit sich brachte. Bei Zirrhose war die Leistung geringer, und das System hatte Schwierigkeiten mit seltenen gutartigen Mimikry-Befunden wie atypischer fokaler Verfettung und arteriovenöser Fistel. Die Referenzstandards für Metastasen beim Pankreaskarzinom stützten sich teilweise auf die Beurteilung durch ein multidisziplinäres Tumorboard (MDT), was markante Fälle begünstigen könnte. Mehrere Autoren geben E-Mail-Adressen mit Alibaba-Zugehörigkeit an, und eine vollständige Erklärung zu Interessenkonflikten war im bereitgestellten Text nicht enthalten.
Hat dir diese Zusammenfassung gefallen?
Erhalte die neueste Longevity-Forschung jede Woche in deinen Posteingang.
E-Mail-Adresse zum Abonnieren eingeben: