27.07.2023, 12:30 Uhr

Seminarraum – Level 3, Anna Spiegel Gebäude
Lazarettgasse 14, 1090 Wien

Titel: „Breast cancer prediction in high-risk patients
using deep learning on MR imaging“

Kurzfassung:
Brustkrebs ist die häufigste Krebsart bei Frauen, wobei geschätzt wird, dass in Österreich 7.5% aller
Frauen bis zu ihrem 74. Lebensjahr an Brustkrebs erkranken werden. Die frühzeitige Erkennung
ist entscheidend für den Behandlungserfolg und die Überlebenswahrscheinlichkeit. Bei Frauen mit
einem erhöhtem Brustkrebsrisiko aufgrund positiver Familienanamnese oder prädisponierenden Mutationen
ist Dynamic Contrast Enhanced Magnetic Resonance Imaging (DCE-MRI) die Methode der
Wahl beim Brustkrebsscreening. Obwohl DCE-MRI die sensitivste bildgebende Methode darstellt,
ist sie mit einer relativ hohen Falsch-Positiv-Rate behaftet. Darüber hinaus, erfordert die Befundung
von DCE-MRI jahrelange radiologische Erfahrung and nimmt viel Zeit in Anspruch. Deep Learning
(DL) spielt eine zunehmend wichtigere Rolle bei der Diagnose von Krebs, weil damit krankheitsrelevante
Muster aufgedeckt werden können, die mit bloßem Auge nicht zu erkennen wären. Allerdings
wird das Potential von DL durch die Größe der zur Verfügung stehenden Trainingsdaten limitiert.
Das Ziel dieser Masterarbeit war daher die Entwicklung von auf DL basierenden Methoden, die
auf Domain spezifisches Transfer Learning zurückgreifen, um die Detektion und Klassifizierung von
Läsionen (Regionen abnormalen Gewebes) in DCE-MRI zu unterstützen. Zu diesem Zweck wurden
2 Datensätze verwendet: Als erstes, die AKH Patientenkohorte, bestehend aus 606 Hochrisikopatientinnen,
die an regelmäßigen Brustkrebsscreening am Allgemeinen Krankenhaus (AKH) Wien über
die letzten 20 Jahre teilgenommen haben. Als zweites, die öffentlich zugängliche Duke Patientenkohorte,
die 922 Patientinnen mit invasivem Brustkrebs umfasst.
Zur Detektion von Läsionen wurde ein Residual Network (ResNet) basierender sliding window Ansatz
mit einer Yolo (You only look once) basierenden bounding box Vorhersage verglichen. In beiden
Fällen wurden die Modelle zuerst auf der Duke Patientenkohorte vortrainiert und anschließend auf
der AKH Patientenkohorte fein abgestimmt und evaluiert. Für die Klassifizierung von Läsionen
wurden die ResNet Modelle, die zuvor zur Detektion von Läsionen auf der Duke Kohorte trainiert
wurden, in einer 5-fach Kreuzvalidierung als Basis f¨ur das Training von neuen ResNet Modellen zur
Differenzierung von benignen and malignen Läsionen in der AKH Patientenkohorte herangezogen.
Das beste ResNet/Yolo Modell wies eine Receiver Operating Characteristic (ROC) Area Under the
Curve (AUC) von 0.961/0.855 und eine Precision Recall (PreRec) AUC von 0.224/0.426 auf. In der
Kreuzvalidierung zur Klassifizierung von Läsionen konnte eine mediane ROC AUC von 0.713/0.653
und eine mediane PreRec AUC von 0.615/0.374 mit/ohne Zuhilfenahme von Domain spezifischen
Transfer Learning erreicht werden. Zusätzlich, konnte ein Schwellwerte berechnet werden unter dem
4.5% aller benignen Läsionen erkannt werden, ohne eine maligne Läsion zu übersehen.
Zusammenfassend lässt sich sagen, dass das Potential von Domain spezifischen Transfer Learning bei
der Unterstützung der Detektion und Klassifizierung von Läsionen bei gleichzeitiger Reduktion von
belastenden und entbehrlichen Biopsien gezeigt wurde. Wenngleich die Ergebnisse vielversprechend
sind, müssen diese erst an einer externen Hochrisikokohorte validiert werden.