KI-basierte Innovationen zur Volumetrie der Schilddrüse und Klassifikation von Schilddrüsenknoten mittels tomografischer 3D-Sonographie

EinleitungDie Schilddrüsensonografie erfolgt häufig und Schilddrüsenknoten (SDK) stellen dabei oft einen Zufallsbefund dar. Standardmäßig erfolgt die Risikoeinschätzung durch sonographische Klassifikationssysteme (TIRADS). Zunehmend wird untersucht, wie dieser zeitaufwendige Prozess durch Künstliche Intelligenz (KI) unterstützt werden kann

Material und MethodenBei 17 Patienten mit 40 SDK erfolgte neben dem konventionellen Ultraschall (US) noch die Untersuchung mittels "Thyroid Diagnostics" der Firma piur Imaging (Wien, Österreich), einem System zur tomografischen Sonographie und KI-unterstützten SDK Beurteilung. Der reguläre US wurde in der klinischen Routine befundet, die Befundung der tomografischen Bilder sowie deren Vergleich zum konventionellen US erfolgte retrospektiv, unabhängig durch 2 verblindete Bewerter. Berechnet wurden Korrelationskoeffizient nach Pearson (r) bzw. Fleiss Kappa (k).

ErgebnisseFür die Volumetrie der Schilddrüse ergab sich eine sehr hohe Interraterreliabilität (IRR) (r=0,98) sowie eine hohe Korrelation zum regulären US (r= 0,82 bzw. 0,88).Auch die Volumetrie der SDK erbrachte eine sehr hohe IRR (r=0,99) und hohe Korrelationen zum konventionellen US (r= 0,83 bzw. 0,85).In Hinblick auf die Einstufung der SDK nach ACR-TIRADS durch die KI zeigte sich nach manueller Nachbearbeitung des tomografischen Ultraschalldatensatzes durch die Befunder eine substanzielle IRR (k=0,67). Die Übereinstimmung zum konventionellen US war im mittleren Bereich (k=0,24 bzw. 0,22).

DiskussionDie Implementierung KI-basierter Systeme in der Schilddrüsensonografie bietet vielversprechende Ansätze und zeigt sehr gute Ergebnisse für die Volumetrie. Die Unterstützung durch automatisierte Knotenbewertungen muss aktuell noch durch erfahrene Beurteiler kritisch geprüft werden

"nein"