Bessere MRT-Diagnostik von Parotistumoren – wie Data-Mining-Algorithmen unsere individuellen Befundungsmuster erkennen und optimieren können

Einleitung

Speicheldrüsentumoren machen ca.5 % aller Kopf-Hals-Neoplasien aus. Die Klassifikation einer Läsionen der Gl. parotis durch eine Bildgebung stellt eine diagnostische Herausforderung für den Befundenden dar. Ziel der vorliegenden Studie war es, den Einfluss von Ausbildungsstand und Erfahrung auf die Bewertung von MRT-Befunden bei Parotistumoren zu untersuchen und individuelle Befundungsmuster zu identifizieren.

Material und Methoden

Insgesamt wurden 100 Patienten mit Ohrspeicheldrüsentumoren retrospektiv analysiert. Präoperative MRT-Befunde wurden von drei HNO-Ärzten und einer Medizinstudentin hinsichtlich der Dignität anhand von MRT-Kriterien bewertet. Die Ergebnisse wurden mit den histopathologischen Befunden abgeglichen. Anschließend wurden ein Decision-Tree- und ein Random-Forest-Modell trainiert, um individuelle Entscheidungsstrategien und die Gesamtgenauigkeit zu analysieren.

Ergebnisse

Die diagnostische Genauigkeit der Untersucher variierte zwischen 73% und 82% und korrelierte mit der klinischen Erfahrung. Das Decision-Tree-Modell zeigte signifikante Unterschiede in den individuellen Entscheidungsstrategien, die stark von der Erfahrung der Untersucher abhingen. Das Random-Forest-Modell erzielte eine Gesamtgenauigkeit von 88,94%.

Diskussion

Die Ergebnisse zeigen eine deutliche Variabilität in der Genauigkeit, in Abhängigkeit von der Erfahrung. Die Anwendung von Datamining-Ansätzen wie dem Random-Forest-Modell zeigten eine signifikante Steigerung der diagnostischen Präzision. Die standardisierte Nutzung solcher Modelle kann zur Verbesserung der Genauigkeit und Befundungskonsistenz führen. Diese Erkenntnisse könnten zur Entwicklung von Entscheidungshilfen beitragen und die Patientenversorgung somit nachhaltig verbessern.

Nein