Medizin & Technik

Effizientere Arbeitsabläufe in der Mammografie

03.03.2021 - Künstliche Intelligenz und SmartSlices ermöglichen effizientere Arbeitsabläufe in der Mammografie.

COVID-19 führt zu einem enormen Rückstand bei Brustkrebs-Vorsorgeuntersuchungen. Auch die Durchführung der Mammografie dauert aufgrund der erforderlichen Schutzmaßnahmen länger als üblich. Neben den Herausforderungen durch COVID-19 ist die Zeit, die Radiologen für die Interpretation der zu prüfenden Bilder benötigen, von Bedeutung. Der Bedarf an effizienten Arbeitsabläufen wächst daher zunehmend. Weiter veröffentlichte im Juni 2020 die Leitlinienentwicklungsgruppe der Initiative der Europäischen Kommission gegen Brustkrebs (ECIBC) ihre Empfehlungen für das Mammografie-Screening. Erstmals wird in diesen Leitlinien die Verwendung der Tomosynthese oder der digitalen Mammografie beim Screening empfohlen, wobei beide Methoden gleich empfohlen werden; die Tomosynthese wird also auf gleicher Höhe mit der digitalen Mammografie, dem allgemein wahrgenommenen Goldstandard, positioniert [1]. Der Wortlaut der Empfehlung ist: „Für asymptomatische Frauen (…) empfiehlt die Leitlinienentwicklungsgruppe der ECIBC entweder die digitale Brusttomosynthese (DBT) oder die digitale Mammografie (DM) im Rahmen eines systematischen Vorsorgeprogramms.“[1] Die digitale Brusttomosynthese erzeugt Dateigrößen und Bilder, die den Befundungsprozess der Bilder für Radiologen verlängern können. Es bedarf Alternativen, die auch diesen Arbeitsablauf so weit wie möglich optimieren.

Es zeigt sich, dass der Einsatz der Tomosynthese im Brustkrebs-Screening zu einer Verbesserung der Karzinom­erkennung und einer Verringerung der falsch positiven Ergebnisse im Vergleich zur digitalen Mammografie führt [2]. Herausforderungen im Routineeinsatz der Brusttomosynthese waren die gestiegene Anzahl der von den Radiologen zu befundenden Bilder und die längere durchschnittliche Befundungszeit [3]. Die großen Dateivolumen erfordern darüber hinaus ein adäquates PACS und ein Netzwerk mit hoher Bandbreite.

Herausforderungen bei hochauflösenden 3-D-Bildern

Die Lösung liegt in der Verwendung von künstlicher Intelligenz (KI) und maschinellem Lernen (ML), um hochauflösende 3-D-Daten zu rekonstruieren und sogenannte SmartSlices zu erzeugen. Die durch die KI erhobenen Daten identifizieren und speichern relevante Auffälligkeiten im Bild. Die Rekonstruktion der SmartSlices, in dem die Anzahl der zu prüfenden Bilder reduziert wird, verkürzt die Befundzeit der Bilder. Die Bildqualität wird durch die KI erhöht, Sensitivität und Spezifität haben dieselbe diagnostische Qualität. Die Anzahl der zu befundenden Schichten wird um zwei Drittel reduziert. Das spart durchschnittlich eine Stunde pro acht Stunden täglicher Bildinterpretation. Die derzeit kommerziell verfügbaren Brusttomosynthese-Systeme rekon­struieren eine Schicht pro Millimeter komprimierter Brustdicke [4]. Bei einer üblichen Brustdicke von 60 mm und einer Tomosynthese-Mammografie in zwei Ebenen beidseits, muss der Radiologe 240 Schnittbilder befunden.  Das Ziel neuester Screening-Systeme besteht darin, weniger, aber dickere Schichtbilder zu erstellen, um den Befundungsablauf zu beschleunigen. Das System soll auch kleinere Dateien erzeugen, die sich leichter übertragen und speichern lassen. Gleichzeitig soll die klinische Performance im Vergleich zur Brusttomosynthese mit 1 mm Schnittdicke verbessert werden.

KI verringert Tomosynthesebilder signifikant

Eine optimale Schnittdicke für die Brusttomosynthese gibt es nicht. Man könnte argumentieren, dass standardmäßige 1-mm-Schnitte dünner als notwendig sind. Denn klinisch gesehen ist eine Erkennung von Läsionen mit einer Größe von 5–10 mm und von Clustern mit Mikroverkalkungen gewünscht, wobei die Verkalkungen in z-Richtung auf mindestens 10 mm verteilt sind. Im Falle einer 10-mm-Läsion mit Verzerrungen oder Spikulierungen, die aus der Ebene hervorstechen, wäre es hilfreicher, die gesamte Läsion in einem einzigen Schichtbild scharf abgebildet zu sehen. Das aber ist nur bei einer Schichtdicke möglich, die größer als 1 mm ist.

Mit seiner 3Dquorum- Bildgebungstechnologie mit Genius AI präsentiert Hologic diese neue Art der Tomosynthesebilder. Diese verringern die Zahl der Schichten und Dateigröße in einem Tomosynthese-Datensatz signifikant bei gleicher klinischer Qualität im Vergleich zu 1-mm-Datensätzen. Die geringere Gesamtzahl der Schichtbilder ermöglicht eine Verkürzung der Auswertungszeit des Radiologen.

Um Kunden einen reibungslosen Übergang ihres aktuellen Modus mit 1-mm-Tomosynthese-Schichten hin zu SmartSlices zu gewähren, ermöglicht die Hologic Acquisition Workstation (AWS) eine Konfiguration, in der sowohl Tomosynthese-Schnitte als auch SmartSlices erstellt werden. Damit können Kunden weiterhin 1-mm-Schnittblder zusätzlich zu SmartSlices erzeugen und an die Befundungsworkstation senden bis die Benutzer Vertrauen in die SmartSlices gewonnen haben und vollkommen auf SmartSlices umstellen, wenn sie bereit dazu sind.

Quellen:

[1] Guideline der Europäischen Kommission zur Tomosynthese in der Früherkennung von Brustkrebs: https://healthcare-quality.jrc.ec.europa.eu/european-breast-cancer-guidelines/screening-tests (17.07.2020)

[2] Friedewald SM, Rafferty EA, Rose SL, et al. Breast cancer screening using tomosynthesis in combination with digital mammography. JAMA, 25. Juni 2014;311(24):2499-507.

[3] Dang PA, Freer PE, Humphrey KL, et al. Addition of Tomosynthesis to Conventional Digital Mammography: Effect on Image Interpretation Time of Screening Examinations. Radiology, Jan. 2014;270(1):49-56.

[4] Vedantham S, Karellas A, Vijayaraghavan GR, et al. Digital Breast Tomosynthesis: State of the Art, Radiology Dez. 2015; 277(3):663–684.

Weitere Quellen: WP-00152-EUR-DE Rev 001 (10/19) US/International  2019 Hologic, Inc. Alle Rechte vorbehalten. MISC-06886-EUR-DE Rev001 (12/20) Hologic Inc. 2020 Alle Rechte vorbehalten. Änderungen der technischen Daten vorbehalten

Kontakt

Hologic Medicor GmbH

Heinrich-Hertz-Str. 6
50170 Kerpen

+49 2273-98 08 0

Folgen Sie der
Management & Krankenhaus

 

 

Folgen Sie der
Management & Krankenhaus