Dabei wurden Methoden des Multiclass Machine Learnings zur Analyse und Klassifizierung von Hirntumoren anhand von physiologischen Daten aus Magnetresonanztomografien (MRT) eingesetzt. Die Ergebnisse wurden anschließend mit Klassifizierungen durch menschliches Fachpersonal verglichen. Dabei war die Künstliche Intelligenz unter anderem hinsichtlich Genauigkeit, Präzision und Fehlklassifikation überlegen, während das Fachpersonal bei der Sensitivität und Spezifität besser abschnitt.

Das Team um Prof. Dr. Andreas Stadlbauer von Zentralinstitut für medizinische Radiologie-Diagnostik des Universitätsklinikum St. Pölten nutzte für die Studie sowohl Daten von sogenannter fortgeschrittener (advanced) als auch physiologischer MRT. Beide Methoden liefern erweiterten Einblick in die Struktur und den Stoffwechsel eines Hirntumors und erlauben schon seit längerem eine bessere Klassifizierung. Doch der Preis, der für ein solch differenziertes Bild zu zahlen ist, sind enorme Datenmengen, die es fachkundig zu beurteilen gilt. „Wir haben nun analysiert, ob und wie eine künstliche Intelligenz mittels Machine Learning (ML) in die Lage versetzt werden kann, geschultes Fachpersonal bei dieser Herkulesaufgabe zu unterstützen“, so Stadlbauer. „Die Ergebnisse sind sehr vielversprechend. Wenn es um Genauigkeit, Präzision und das Vermeiden von Fehlklassifikationen geht, dann kann eine Künstliche Intelligenz Hirntumore anhand von MRT-Daten gut klassifizieren.“

Im Rahmen ihrer Studie trainierte das Team zunächst neun bekannte Multiclass ML Algorithmen mit MRT-Daten von 167 früheren Patienten, die an einem der fünf häufigsten Hirntumore erkrankt waren und bei denen eine exakte Klassifizierung mittels Histologie vorlag. Dabei wurden in einem aufwendigen Protokoll insgesamt 135 sogenannte Classifier generiert, also mathematische Funktionen, die eine Zuordnung des zu untersuchenden Materials in bestimmte Kategorien vornehmen. „Im Unterschied zu vorherigen Studien berücksichtigten wir auch Daten von physiologischen MRTs“, erläutert Stadlbauer. „Dazu zählten Details zur Gefäßarchitektur der Tumore und deren Bildung neuer Gefäße sowie zur Versorgung des Tumorgewebes mit Sauerstoff“. Im zweiten Teil des Projekts, der Testphase, wurden die nun trainierten Multiclass ML-Algorithmen mit entsprechenden MRT-Daten von 20 aktuellen Hirntumorpatienten gespeist und die Ergebnisse der so erzielten Klassifikationen mit jenen zweier zertifizierter Radiologen verglichen.

Dabei übertrafen die zwei besten ML-Algorithmen (als „adaptive boosting“ und „random forest“ bezeichnet), die Ergebnisse der menschlichen Beurteilung in den Bereichen Genauigkeit und Präzision. Auch führten diese ML-Algorithmen zu weniger Fehlklassifikation als durch das Fachpersonal (5 versus 6). Ging es hingegen um die Sensitivität und Spezifität der Beurteilung, dann erwiesen sich die menschlichen Beurteilungen als treffsicherer als die getestete Künstliche Intelligenz. „Damit wird auch klar“, so Stadlbauer, „dass der ML-Ansatz derzeit noch kein Ersatz, sondern eine Ergänzung für eine Klassifikation durch qualifiziertes Fachpersonal sein sollte. Dazu kommt der aktuell noch sehr hohe Zeit- und Arbeitsaufwand für diesen Ansatz. Doch bietet er eine Möglichkeit, dessen Potenzial es für den klinischen Alltag weiter zu verfolgen gilt“.