Automatisierte Erfassung von Tumorrezidiv und Metastasen aus CT-Berichten mittels Deep Learning
Von KI ausgewählt und zusammengefasst
Worum es geht
Semisupervised Deep-Learning-Klassifikation (mit Rule-based und Medical BERT) zur Extraktion von Rezidiv- und Metastasenangaben aus 288.076 postoperativen CT-Berichten (86.083 Krebspatienten), mit expliziter Modellierung diagnostischer Unsicherheit.
Ergebnis
Multiclass-Genauigkeit Rezidiv 97,33 %, Metastasen 95,00 %. Binäre Klassifikation: 99,33 % und 96,67 %. Ärztliche Interrater-Konsistenz Multiclass: 96,88 % (Rezidiv) und 93,80 % (Metastasen). <1 % der Berichte manuell annotiert; diagnostische Unsicherheit in 1,4 % Rezidiv-, 6,9 % Metastasenfälle erfasst. Rule-Algorithm outperformte teilweise Deep-Learning-Modelle.
Übertragbarkeit auf Deutschland
Südkorea (Asan Medical Center); große reale Datenbank, aber interne Validierung; Multicenter-Prospektivstudie zur Generalisierbarkeit nötig.
Originalstudie in PubMedIm Hub ansehenNeue Studien per E-Mail
Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.