KI-System entdeckt 15 übersehene Leberkrebsfälle in einer klinischen Studie mit 10.000 Patienten
Ein KI-Diagnosewerkzeug zur Erkennung von Lebermalignomen im CT-Scan erzielte in einer prospektiven Studie eine AUC von 0,952 und entdeckte 51 übersehene Läsionen.
Zusammenfassung
Leberkrebs gehört zu den tödlichsten altersbedingten Krebserkrankungen, und verpasste oder verspätete Diagnosen sind in stark frequentierten radiologischen Abteilungen ein dauerhaftes Problem. Forscher entwickelten LiON, ein KI-System, das kontrastmittelverstärkte CT-Aufnahmen analysiert, um Lebermalignome zu erkennen. LiON wurde an mehr als 6.400 Patienten trainiert und in über 22.000 Patienten aus mehreren Zentren validiert, wobei es eine herausragende Genauigkeit erzielte (AUC 0,975). Eine prospektive einarmige Studie mit über 10.000 Patienten bestätigte eine starke Leistung unter realen Bedingungen (AUC 0,952). Besonders bedeutsam ist, dass die Zusammenarbeit zwischen KI und Mensch 51 Läsionen aufdeckte, die Radiologen zuvor übersehen hatten, darunter 15 bestätigte Malignome. Dies führte zu 37 nachträglich geänderten radiologischen Befunden und 22 Weiterleitungen an multidisziplinäre Krebsteams. Diese Studie stellt eine der bislang größten KI-Radiologie-Studien zur Leberkrebserkennung dar.
Detaillierte Zusammenfassung
Lebermalignome, einschließlich des hepatozellulären Karzinoms und metastatischer Erkrankungen, sind überwiegend Erkrankungen des höheren Lebensalters und werden häufig mittels kontrastverstärkter Computertomographie (CE-CT) abgeklärt. Übersehene oder verzögerte Diagnosen haben schwerwiegende Folgen für das Überleben, weshalb skalierbare diagnostische Sicherheitsnetze ein kritisch ungedeckter Bedarf in der Onkologie und Langlebigkeitsmedizin sind.
Forschende entwickelten LiON (Liver DiagnOsis Network), ein KI-System zur Verarbeitung von CE-CT-Aufnahmen mit flexibler mehrphasiger Eingabe, Integration klinischer Daten und nahtloser Einbindung in bestehende radiologische Arbeitsabläufe. LiON wurde an 6.443 Patienten trainiert und retrospektiv an einer kombinierten Kohorte von 22.251 Patienten aus multizentrischen und realen Versorgungseinrichtungen validiert, darunter Populationen mit hepatischer Steatose und Leberzirrhose — zwei häufigen altersbedingten Lebererkrankungen, die die Diagnosestellung erschweren.
In der retrospektiven Validierung erzielte LiON einen AUC von 0,975 (95%-KI: 0,971–0,979) für die Malignitätsdiagnose. Die Leistung blieb in der Steatose-Subgruppe (AUC 0,971) und der Zirrhose-Subgruppe (AUC 0,924) robust — beides klinisch anspruchsvolle Kontexte, in denen menschliche Befunder häufig an ihre Grenzen stoßen.
Das Team führte anschließend eine prospektive einarmige klinische Studie mit 10.333 Patienten im klinischen Routinebetrieb durch. LiON wurde als zusätzlicher KI-Befunder parallel zu Radiologen eingesetzt. Die Studie erfüllte ihren primären Endpunkt mit einem AUC von 0,952 (95%-KI: 0,942–0,961). Bedeutsam ist, dass die Mensch-KI-Kollaboration 51 bisher übersehene Läsionen identifizierte, von denen 15 als Malignome bestätigt wurden. Dies führte zu 37 überarbeiteten radiologischen Befundberichten, 22 Eskalationen im multidisziplinären Team und direkten Änderungen des klinischen Managements bei einer Untergruppe von Patienten.
Diese Ergebnisse legen nahe, dass KI-gestützte Radiologie diagnostische Versäumnisse beim Leberkarzinom — einer Erkrankung, bei der eine frühere Diagnose direkt in mehr Behandlungsoptionen und besseres Überleben übersetzt wird — substanziell reduzieren kann. Zu den Einschränkungen zählen das einarmige Studiendesign, die überwiegende Herkunft der Daten aus chinesischen Krankenhäusern, was die globale Generalisierbarkeit begrenzt, sowie das Fehlen eines randomisierten Kontrollarms zur Quantifizierung des Überlebensvorteils. Die Zusammenfassung basiert ausschließlich auf dem Abstract.
Wichtigste Erkenntnisse
- LiON achieved AUC 0.975 across 22,251 patients in multicenter retrospective validation.
- Prospective trial in 10,333 patients confirmed AUC 0.952, meeting the primary endpoint.
- AI-human collaboration uncovered 51 overlooked lesions, including 15 confirmed malignancies.
- 37 radiology reports were amended and 22 cases escalated to multidisciplinary cancer teams.
- Robust performance maintained in patients with cirrhosis (AUC 0.924) and hepatic steatosis (AUC 0.971).
Methodik
LiON wurde an 6.443 CE-CT-Patienten trainiert und retrospektiv an 22.251 Patienten aus multizentrischen Kohorten validiert. Eine prospektive Einarm-Studie (NCT07153783) schloss 10.333 Patienten in der klinischen Routinepraxis ein, wobei LiON als zusätzlicher KI-Befunder neben den Radiologen eingesetzt wurde. Der primäre Endpunkt war eine AUC-Untergrenze von mehr als 0,900.
Studienlimitierungen
Die Studie verwendet ein Single-Arm-Design ohne randomisierten Komparator, was eine direkte Quantifizierung des Überlebensvorteils durch KI-gestützte Diagnostik verhindert. Der Datensatz stammt überwiegend aus chinesischen Krankenhaussystemen, was die Übertragbarkeit auf andere Gesundheitsversorgungsumgebungen und Patientenpopulationen einschränken kann. Mehrere Autoren sind Mitarbeiter von Alibaba, und das Unternehmen hat verwandte Patente angemeldet, was einen bemerkenswerten Interessenkonflikt darstellt. Diese Zusammenfassung basiert ausschließlich auf dem Abstract; vollständige Methodik, Subgruppendetails und Sicherheitsdaten stehen nicht zur Überprüfung zur Verfügung.
Hat dir diese Zusammenfassung gefallen?
Erhalte die neueste Longevity-Forschung jede Woche in deinen Posteingang.
E-Mail-Adresse zum Abonnieren eingeben: