Kann künstliche Intelligenz einen Arzt bei der Lungenkrebsfrüherkennung durch Röntgen ersetzen?

Die Röntgenaufnahme des Brustkorbs bleibt ein einfaches und weit verbreitetes Instrument zur Früherkennung von Krankheiten wie Lungenkrebs. In Japan gehört sie zu den verpflichtenden betrieblichen Gesundheitsuntersuchungen. Die Interpretation der Aufnahmen erfordert jedoch erhebliche Fachkenntnisse. Um Fehler zu minimieren, analysieren in der Regel zwei Ärzte jedes Bild, was ihre Arbeitsbelastung erhöht.

Eine aktuelle Studie untersuchte, ob KI-Software die Rolle des ersten Lesers in diesem System der Doppellektüre übernehmen kann. Die Forscher analysierten über 320.000 Röntgenaufnahmen, die zwischen 2018 und 2020 erstellt wurden. Unter den Verdachtsfällen auf Lungenkrebs wurden drei KI-Modelle getestet. Ergebnis: Diese Tools erkannten zwischen 62 und 77 % der Anomalien, während menschliche Ärzte 59 % erreichten. Selbst bei der Konzentration nur auf die häufigsten Lungenknötchen blieben die Leistungen der KI überlegen, mit Erkennungsraten von 64 bis 76 %, während die Ärzte bei 59 % lagen.

Die künstliche Intelligenz zeigte somit eine mindestens gleichwertige, wenn nicht sogar bessere Fähigkeit als die der Fachleute. Allerdings erzeugte sie mehr Fehlalarme. Während Ärzte nur sehr wenige Fehlalarme produzierten, identifizierten die Programme je nach Modell zwischen 6 und 15 Fehlalarme pro 100 Untersuchungen. Diese Fehler treten oft auf, wenn normale Strukturen wie Rippen oder Blutgefäße mit Läsionen verwechselt werden.

Diese Ergebnisse deuten darauf hin, dass KI tatsächlich den ersten Leser bei der Früherkennung ersetzen könnte. Dies würde die Arbeitsbelastung der Ärzte verringern, ohne die Qualität der Diagnose zu beeinträchtigen. Die subtilsten oder kleinsten Knötchen bleiben jedoch eine Herausforderung für diese Tools. Eine erhöhte Wachsamkeit des zweiten menschlichen Lesers wäre daher bei schwierigen Fällen erforderlich.

Dieser Ansatz könnte die Interpretationen standardisieren und die Unterschiede je nach Erfahrung der Ärzte verringern. Weitere Studien in mehreren medizinischen Zentren sind erforderlich, um diese Vorteile zu bestätigen und die Auswirkungen auf die Organisation der Versorgung zu bewerten. Das Ziel ist es, diese Technologien schrittweise in die Routinepraxis zu integrieren, ohne die Genauigkeit der Früherkennung zu opfern.

Bases documentaires

Rapport de référence

DOI : https://doi.org/10.1007/s11604-026-01973-z

Titre : Can AI substitute the first reader in chest radiograph screening? A retrospective non-inferiority evaluation

Revue : Japanese Journal of Radiology

Éditeur : Springer Science and Business Media LLC

Auteurs : Kotaro Yoshida; Atsushi Takamatsu; Rie Tanaka; Tetsuo Matsunaga; Antoine Choppin; Aya Tonouchi; Satoshi Kobayashi; Takeshi Kobayashi