Advertisement

Künstliche Intelligenz und Radiomics in der MRT-basierten Prostatadiagnostik

  • Charlie Alexander Hamm
  • Nick Lasse Beetz
  • Lynn Jeanette Savic
  • Tobias PenzkoferEmail author
Leitthema
  • 16 Downloads

Zusammenfassung

Klinisches/methodisches Problem

Angesichts der diagnostischen Komplexität und der großen Untersuchungszahlen ergibt sich die Herausforderung für die moderne Radiologie, klinisch signifikante Prostatakarzinome (PCa) mit hoher Sensitivität und Spezifität zu identifizieren sowie eine Überdiagnostik und Übertherapie von klinisch nicht signifikanten Karzinomen zu vermeiden.

Radiologische Standardverfahren

In den internationalen Leitlinien etabliert sich zunehmend die multiparametrische Magnetresonanztomographie (mpMRT) als Standarduntersuchung in der Diagnostik des PCa.

Methodische Innovationen

Die MRT-Beurteilung nach den PI-RADS-Kriterien durch Radiologen weist eine begrenzte Reproduzierbarkeit auf, sodass die rasanten Entwicklungen der automatisierten Bildanalyse mittels Radiomics oder künstlicher Intelligenz (KI; Machine Learning, Deep Learning) auf eine weitere Verbesserung der Patientenversorgung hoffen lassen.

Leistungsfähigkeit

Die Anwendung von KI konzentriert sich auf die automatisierte Detektion und Klassifikation von PCa-Läsionen und versucht, die Aggressivität anhand des Gleason-Scores zu stratifizieren. Neueste Studien präsentieren gute bis sehr gute Ergebnisse für die Befundung der mpMRT mittels Radiomics oder KI. Eine breite klinische Anwendung bleibt jedoch aktuell noch aus.

Bewertung und Empfehlung für die Praxis

Das wachsende Bewusstsein der Forschungsgesellschaft für eine strukturierte Datenakquise, die Entwicklung robuster AI-Systeme sowie die zunehmende Akzeptanz gegenüber KI-Algorithmen als diagnostisches Hilfsmittel sind Voraussetzungen für die klinische Anwendbarkeit dieser Technologien. Wenn die KI diese Hürden überwindet, kann ihr eine Schlüsselrolle in der quantitativen, reproduzierbaren Befundung der Prostata-MRT bei ständig ansteigenden Untersuchungsvolumina zukommen.

Schlüsselwörter

Prostatakarzinom Quantitative Bildgebung Machine Learning Deep Learning Multiparametrische Magnetresonanztomographie 

Artificial intelligence and radiomics in MRI-based prostate diagnostics

Abstract

Clinical/methodical issue

In view of the diagnostic complexity and the large number of examinations, modern radiology is challenged to identify clinically significant prostate cancer (PCa) with high sensitivity and specificity. Meanwhile overdiagnosis and overtreatment of clinically nonsignificant carcinomas need to be avoided.

Standard radiological methods

Increasingly, international guidelines recommend multiparametric magnetic resonance imaging (mpMRI) as first-line investigation in patients with suspected PCa.

Methodical innovations

Image interpretation according to the PI-RADS criteria is limited by interobserver variability. Thus, rapid developments in the field of automated image analysis tools, including radiomics and artificial intelligence (AI; machine learning, deep learning), give hope for further improvement in patient care.

Performance

AI focuses on the automated detection and classification of PCa, but it also attempts to stratify tumor aggressiveness according to the Gleason score. Recent studies present good to very good results in radiomics or AI-supported mpMRI diagnosis. Nevertheless, these systems are not widely used in clinical practice.

Achievements and practical recommendations

In order to apply these innovative technologies, a growing awareness for the need of structured data acquisition, development of robust systems and an increased acceptance of AI as diagnostic support are needed. If AI overcomes these obstacles, it may play a key role in the quantitative and reproducible image-based diagnosis of ever-increasing prostate MRI examination volumes.

Keywords

Prostate cancer Quantitative imaging Machine learning Deep learning Multiparametric magnetic resonance imaging 

Notes

Einhaltung ethischer Richtlinien

Interessenkonflikt

C.A. Hamm und N.L. Beetz geben an, dass kein Interessenkonflikt besteht. L.J. Savic erhielt Research Grants der Leopoldina, der Rolf W. Günther Stiftung für radiologische Wissenschaften, des Berlin Institute of Health (Clinician Scientist Program) und der Society of Interventional Oncology. T. Penzkofer erhielt Research Grants des Berlin Institute of Health (Clinician Scientist Program) und nimmt an Forschungsvorhaben mit den folgenden Firmen (ohne persönliche Zuwendungen) teil: AGO, Aprea AB, ARCAGY-GINECO, Astellas Pharma Global Inc (APGD), Astra Zeneca, Clovis Oncology, Inc., Dohme Corp, Holaira, Incyte Corporation, Karyopharm, Lion Biotechnologies, Inc., MedImmune, Merck Sharp, Millennium Pharmaceuticals, Inc., Morphotec Inc., NovoCure Ltd., PharmaMar S.A. and PharmaMar USA, Inc, Roche, Siemens Healthineers und TESARO Inc.

Für diesen Beitrag wurden von den Autoren keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.

Literatur

  1. 1.
    Grönberg H (2003) Prostate cancer epidemiology. Lancet 361:859–864CrossRefGoogle Scholar
  2. 2.
    Wolters T et al (2011) A critical analysis of the tumor volume threshold for clinically insignificant prostate cancer using a data set of a randomized screening trial. J Urol 185:121–125CrossRefGoogle Scholar
  3. 3.
    Bi WL et al (2019) Artificial intelligence in cancer imaging: clinical challenges and applications. CA Cancer J Clin 69:127–157PubMedPubMedCentralGoogle Scholar
  4. 4.
    Costa DN, Pedrosa I, Donato F Jr, Roehrborn CG, Rofsky NM (2015) MR imaging-transrectal US fusion for targeted prostate biopsies: implications for diagnosis and clinical management. Radiographics 35:696–708CrossRefGoogle Scholar
  5. 5.
    Cuocolo R et al (2019) Machine learning applications in prostate cancer magnetic resonance imaging. Eur Radiol Exp 3:35CrossRefGoogle Scholar
  6. 6.
    Liu L, Tian Z, Zhang Z, Fei B (2016) Computer-aided detection of prostate cancer with MRI: technology and applications. Acad Radiol 23:1024–1046CrossRefGoogle Scholar
  7. 7.
    Loeb S et al (2014) Overdiagnosis and overtreatment of prostate cancer. Eur Urol 65:1046–1055CrossRefGoogle Scholar
  8. 8.
    Turkbey B et al (2019) Prostate imaging reporting and data system version 2.1: 2019 update of prostate imaging reporting and data system version 2. Eur Urol 76:340–351CrossRefGoogle Scholar
  9. 9.
    Rosenkrantz AB et al (2016) Interobserver reproducibility of the PI-RADS version 2 lexicon: a multicenter study of six experienced prostate radiologists. Radiology 280:793–804CrossRefGoogle Scholar
  10. 10.
    Venderink W et al (2018) Results of targeted biopsy in men with magnetic resonance imaging lesions classified equivocal, likely or highly likely to be clinically significant prostate cancer. Eur Urol 73:353–360CrossRefGoogle Scholar
  11. 11.
    Patel N, Henry A, Scarsbrook A (2018) The value of MR textural analysis in prostate cancer. Clin Radiol 74:876–885CrossRefGoogle Scholar
  12. 12.
    Schwier M et al (2019) Repeatability of multiparametric prostate MRI radiomics features. Sci Rep 9:9441CrossRefGoogle Scholar
  13. 13.
    Toivonen J et al (2019) Radiomics and machine learning of multisequence multiparametric prostate MRI: Towards improved non-invasive prostate cancer characterization. PLoS ONE 14:e217702CrossRefGoogle Scholar
  14. 14.
    Algohary A et al (2018) Radiomic features on MRI enable risk categorization of prostate cancer patients on active surveillance: preliminary findings. J Magn Reson Imaging 48:818–828CrossRefGoogle Scholar
  15. 15.
    Vignati A et al (2015) Texture features on T2-weighted magnetic resonance imaging: new potential biomarkers for prostate cancer aggressiveness. Phys Med Biol 60:2685CrossRefGoogle Scholar
  16. 16.
    Ginsburg SB et al (2017) Radiomic features for prostate cancer detection on MRI differ between the transition and peripheral zones: preliminary findings from a multi-institutional study. J Magn Reson Imaging 46:184–193CrossRefGoogle Scholar
  17. 17.
    Wang J et al (2017) Machine learning-based analysis of MR radiomics can help to improve the diagnostic performance of PI-RADS v2 in clinically relevant prostate cancer. Eur Radiol 27:4082–4090CrossRefGoogle Scholar
  18. 18.
    Varghese B et al (2019) Objective risk stratification of prostate cancer using machine learning and radiomics applied to multiparametric magnetic resonance images. Sci Rep 9:1570CrossRefGoogle Scholar
  19. 19.
    Bonekamp D et al (2018) Radiomic machine learning for characterization of prostate lesions with MRI: comparison to ADC values. Radiology 289:128–137CrossRefGoogle Scholar
  20. 20.
    Litjens G, Debats O, Barentsz J, Karssemeijer N, Huisman H (2014) Computer-aided detection of prostate cancer in MRI. IEEE Trans Med Imaging 33:1083–1092CrossRefGoogle Scholar
  21. 21.
    Kwak JT et al (2015) Automated prostate cancer detection using T2-weighted and high-b-value diffusion-weighted magnetic resonance imaging. Med Phys 42:2368–2378CrossRefGoogle Scholar
  22. 22.
    Peng Y et al (2013) Quantitative analysis of multiparametric prostate MR images: differentiation between prostate cancer and normal tissue and correlation with Gleason score—a computer-aided diagnosis development study. Radiology 267:787–796CrossRefGoogle Scholar
  23. 23.
    Greer MD et al (2018) Computer-aided diagnosis prior to conventional interpretation of prostate mpMRI: an international multi-reader study. Eur Radiol 28:4407–4417CrossRefGoogle Scholar
  24. 24.
    Hamm CA et al (2019) Deep learning for liver tumor diagnosis part I: development of a convolutional neural network classifier for multi-phasic MRI. Eur Radiol 29:3338–3347CrossRefGoogle Scholar
  25. 25.
    Esteva A et al (2017) Dermatologist-level classification of skin cancer with deep neural networks. Nature 542:115–118.  https://doi.org/10.1038/nature21056 CrossRefGoogle Scholar
  26. 26.
    Ishioka J et al (2018) Computer-aided diagnosis of prostate cancer on magnetic resonance imaging using a convolutional neural network algorithm. BJU Int 122:411–417CrossRefGoogle Scholar
  27. 27.
    Wang X et al (2017) Searching for prostate cancer by fully automated magnetic resonance imaging classification: deep learning versus non-deep learning. Sci Rep 7:15415CrossRefGoogle Scholar
  28. 28.
    Schelb P et al (2019) Classification of cancer at prostate MRI: deep learning versus clinical PI-RADS assessment. Radiology.  https://doi.org/10.1148/radiol.2019190938 CrossRefPubMedGoogle Scholar
  29. 29.
    Stamey TA, McNeal JE, Yemoto CM, Sigal BM, Johnstone IM (1999) Biological determinants of cancer progression in men with prostate cancer. JAMA 281:1395–1400CrossRefGoogle Scholar
  30. 30.
    Aldoj N, Lukas S, Dewey M, Penzkofer T (2019) Semi-automatic classification of prostate cancer on multi-parametric MR imaging using a multi-channel 3D convolutional neural network. Eur Radiol.  https://doi.org/10.1007/s00330-019-06417-z CrossRefPubMedGoogle Scholar
  31. 31.
    Antonelli M et al (2019) Machine learning classifiers can predict Gleason pattern 4 prostate cancer with greater accuracy than experienced radiologists. Eur Radiol 29:4754–4764.  https://doi.org/10.1007/s00330-019-06244-2 CrossRefPubMedPubMedCentralGoogle Scholar
  32. 32.
    Min X et al (2019) Multi-parametric MRI-based radiomics signature for discriminating between clinically significant and insignificant prostate cancer: Cross-validation of a machine learning method. Eur J Radiol 115:16–21CrossRefGoogle Scholar
  33. 33.
    Karimi D et al (2019) Accurate and robust deep learning-based segmentation of the prostate clinical target volume in ultrasound images. Med Image Anal 57:186–196.  https://doi.org/10.1016/j.media.2019.07.005 CrossRefPubMedGoogle Scholar
  34. 34.
    Nguyen D et al (2019) A feasibility study for predicting optimal radiation therapy dose distributions of prostate cancer patients from patient anatomy using deep learning. Sci Rep 9:1076CrossRefGoogle Scholar
  35. 35.
    Wang B et al (2019) Deeply supervised 3D fully convolutional networks with group dilated convolution for automatic MRI prostate segmentation. Med Phys 46:1707–1718CrossRefGoogle Scholar
  36. 36.
    Lee SL et al (2019) Changes in ADC and T2-weighted MRI-derived radiomic features in patients treated with focal salvage HDR prostate brachytherapy for local recurrence after previous external-beam radiotherapy. Brachytherapy 18(5):567.  https://doi.org/10.1016/j.brachy.2019.04.006 CrossRefPubMedGoogle Scholar

Copyright information

© Springer Medizin Verlag GmbH, ein Teil von Springer Nature 2019

Authors and Affiliations

  • Charlie Alexander Hamm
    • 1
  • Nick Lasse Beetz
    • 1
  • Lynn Jeanette Savic
    • 1
  • Tobias Penzkofer
    • 1
    • 2
    Email author
  1. 1.Institute of RadiologyCharité – Universitätsmedizin Berlin, corporate member of Freie Universität Berlin, Humboldt-Universität, and Berlin Institute of HealthBerlinDeutschland
  2. 2.Berlin Institute of HealthBerlinDeutschland

Personalised recommendations