Zeitschrift für Gefäßmedizin und Chirurgie

Abstrakt

Automatisierte Lungenkrebserkennung – ein Vergleich unter Ärzten: Eine Literaturübersicht

Kaviya Sathyakumar, Michael Munoz, Snehal Bansod, Jaikaran Singh, Jasmin Hundal, B Benson A. Babu

Einleitung: Lungenkrebs ist die häufigste krebsbedingte Todesursache in den USA und weltweit. Radiologen und Ärzte sind täglich einer hohen Arbeitsbelastung ausgesetzt und laufen daher ein hohes Burn-out-Risiko. Um diese Belastung zu verringern, vergleicht diese Literaturübersicht die Leistung von vier verschiedenen KI-Modellen bei der Erkennung von Lungenknotenkrebs sowie ihre Leistung gegenüber Ärzten/Radiologen.

Methoden: 648 Artikel wurden aus den Jahren 2008 bis 2019 extrahiert. 4/648 Artikel wurden ausgewählt. Einschlusskriterien: 18–65 Jahre alt, CT-Thorax-Scans, Lungenknötchen, Lungenkrebs, Deep Learning, Ensemble und klassische Methoden. Ausschlusskriterien: Alter über 65 Jahre, PET-Hybrid-Scans, CXR und Genomik. Ergebnisanalyse: Sensitivität, Spezifität, Genauigkeit, Sensitivitäts-Spezifitäts-ROC-Kurve, Fläche unter der Kurve (AUC). Datenbanken: PubMed/MEDLINE, EMBASE, Cochrane Library, Google Scholar, Web of Science, IEEEXplore, DBLP.

Schlussfolgerung: Die hybride Deep-Learning-Architektur ist eine hochmoderne Architektur mit hoher Leistungsgenauigkeit und geringer Anzahl falsch-positiver Berichte. Zukünftige Studien, in denen die Genauigkeit jedes Modells eingehend verglichen wird, wären wertvoll. Automatisierte Arzt-Assistenzsysteme wie diese hybride Architektur können dazu beitragen, eine qualitativ hochwertige Arzt-Patienten-Beziehung aufrechtzuerhalten und das Burn-out der Ärzte zu verringern.