Verbesserte Morbus-Crohn-Diagnose: Ein fortschrittliches maschinelles Lernmodell übertrifft Radiolog:innen

Aktuelle News über Morbus Crohn

Wissenschaftler:innen des University of Cincinnati College of Medicine haben den vielversprechenden Bereich der künstlichen Intelligenz (KI) für die Diagnose des pädiatrischen Morbus Crohn erforscht. Ihr maschinelles Lernmodell, das radiologische Merkmale der Ileuswand und des Mesenterialfetts verwendet, übertraf die meisten Radiolog:innen bei der Vorhersage der Krankheit.

Forschende des University of Cincinnati College of Medicine unter der Leitung von Dr. Richard X. Liu entwickelten ein maschinelles Lernmodell, das radiologische Merkmale der Ileuswand und des Mesenterialfetts zur Vorhersage von Morbus Crohn im Ileus verwendet. Das Team verwendete dann T2-gewichtete Magnetresonanzbilder ohne Kontrast, um die Effektivität dieses Modells der künstlichen Intelligenz (KI) mit einer Gruppe von erfahrenen Radiologen zu vergleichen.

Maschinelles Lernmodell vs. Radiolog:innen

An der Studie nahmen 135 Patient:innen und drei erfahrene Radiolog:innen teil, die den Zustand der Patient:innen diagnostizieren sollten. Die Radiolog:innen hatten eine Genauigkeit von 83,7 Prozent, 86,7 Prozent und 88,1 Prozent, mit einer Konsensgenauigkeit von 88,1 Prozent. Die übereinstimmende Genauigkeit der Radiologen war erheblich (κ = 0,78). Für das maschinelle Lernmodell war der Darmkern der beste Bereich, der eine Genauigkeit von 89,6 Prozent und eine Fläche unter der Receiver Operating Characteristic Curve (AUC) von 0,95 erreichte.

Überlegenheit des Modells gegenüber Radiolog:innen

Trotz der bemerkenswerten Leistung der Radiologen zeigte das Darmkern-Radiomodell eine bessere Genauigkeit als zwei der drei Radiolog:innen, konnte aber den dritten und den Konsens der Gruppe nicht übertreffen. Ein kombiniertes klinisches und Darmkern-Radiomodell übertraf jedoch alle Radiolog:innen, einschließlich des gemeinsamen Konsenses, mit einer beeindruckenden AUC von 0,98 und einer Genauigkeit von 93,5 Prozent deutlich.

Die Autoren schlussfolgern: “Die Verwendung eines radiomic based Modells, das T2-gewichtete MR-Daten nutzt, könnte die Diskrepanzen zwischen den Radiolog:innen verringern und die Präzision der pädiatrischen Morbus-Crohn-Diagnose verbessern.”

Die Studie unterstreicht die wachsende Rolle, die KI im medizinischen Bereich spielen kann, insbesondere bei der Diagnose komplizierter Krankheiten wie Morbus Crohn. Die Autor:innen schlagen vor, dass die Einbeziehung solcher KI-Modelle die diagnostischen Diskrepanzen zwischen Radiolog:innen verringern und genauere Ergebnisse liefern könnte, was langfristig die Ergebnisse für die Patient:innen verbessern würde. Dies ist ein wichtiger Schritt auf dem Weg in die Zukunft des Gesundheitswesens, wo KI-Technologien nahtlos in die medizinische Diagnostik integriert werden.

• Liu, R. X., et al. (2023). Verfügbar unter: Machine Learning Diagnosis of Small Bowel Crohn Disease Using T2-Weighted MRI Radiomic and Clinical Data.