Inhaltszusammenfassung:
Multiple Sklerose ist eine chronische neurodegenerative Erkrankung, die fokale Läsionen im zentralen Nervensystem verursacht und zu schrittweiser Behinderung führen kann (Steinman 1996; Compston und Coles 2008). Die cerebrale MRT-Bildgebung spielt eine entscheidende Rolle bei der Diagnose und der Überwachung der Krankheitsaktivität, indem anhand dieser die Läsionslast bewertet wird und neue oder vergrößerte Läsionen identifiziert werden können (Polman et al. 2011; Filippi et al. 2018). In der klinischen Praxis wird das Auftreten progredienter Läsionen typischerweise durch den Vergleich von zeitlich aufeinanderfolgenden MRT-Bildern bewertet, was sowohl zeitaufwändig als auch fehleranfällig ist (Altay et al. 2013; Egger et al. 2017). Daher sind automatisierte Erkennungssysteme zur Steigerung der Effizienz und diagnostischen Genauigkeit wünschenswert.
Diese Studie untersuchte den Einfluss der durch künstliche Intelligenz (KI) unterstützten MS-Läsionserkennung auf die Bewertung einer möglichen Krankheitsprogredienz anhand von MRT-Scans durch Auswertende mit unterschiedlicher radiologischer Vorerfahrung. Die Studie wurde von drei Ratern durchgeführt: zwei Neuroradiologen (16 und 8 Jahre Erfahrung) und einer Medizinstudentin ohne radiologische Vorerfahrung. Jeder Beurteilende bewertete die Daten manuell und mit Unterstützung durch eine KI-Software (AIRAscore), um neue oder vergrößerte Läsionen zu identifizieren. Die Ergebnisse zeigten, dass mit KI-Unterstützung die Sensitivität, der positive prädiktive Wert und der F1-Wert auf Läsionsebene sowohl für die erfahrenen als auch für den unerfahrenen Rater verbessert wurden. Es wurde jedoch keine statistisch signifikante Verbesserung für die Klassifikation des Erkrankungsfortschritts auf der Fall-Ebene beobachtet. Interessanterweise zeigte die Medizinstudentin ohne radiologische Vorerfahrung sowohl mit als auch ohne KI-Unterstützung eine konsequent höhere Sensitivität und einen höheren negativen prädiktiven Wert als die erfahrenen Rater.
Ein wesentlicher Vorteil der KI-gestützten Auswertung war die Reduktion der Bewertungszeit. Der Einsatz des automatisierten Programms führte zu einer Zeitreduktion von 05:15 Minuten auf 03:14 Minuten pro Fall für die erfahrenen Rater und einer statistisch signifikanten Verringerung von 14:31 Minuten pro Fall auf 07:50 Minuten für den unerfahrenen Rater. Darüber hinaus verbesserte sich die Interrater-Reliabilität mit automatisierter Unterstützung, was darauf hindeutet, dass der Einsatz von KI die Läsionserkennung und -klassifikation verbessern kann, selbst wenn keine wesentliche Verbesserung in der diagnostischen Genauigkeit auf Fallebene beobachtet werden konnte.
Blickt man in die Zukunft, so bietet die KI-unterstützte MRT-Läsionserkennung großes Potenzial zur Effizienzsteigerung, indem mit KI die Auswertungszeit verkürzt werden kann, ohne die Erkennungsrater progressiver Fälle zu beeinträchtigen – unabhängig von der radiologischen Erfahrung des Auswertenden. Dieser Effizienzgewinn ist besonders relevant angesichts der zunehmenden Arbeitsbelastung in radiologischen Abteilungen (Peters et al. 2024), in denen der Einsatz von KI dazu beitragen könnte, die Ressourcenverteilung zu optimieren und er Neuroradiologen zu ermöglichen, sich auf komplexere diagnostische und therapeutische Entscheidungen zu konzentrieren (Sieber et al. 2024; Waller et al. 2022).
Trotz der vielversprechenden Vorteile stehen der breiten klinischen Einführung der KI-unterstützen MS-Läsionserkennung mehrere Herausforderungen gegenüber. Die mit der Implementierung von KI verbundenen Kosten, einschließlich Softwareerwerb, Infrastrukturanforderungen und Schulungen (Wolff et al. 2020), müssen sorgfältig gegen die Zeitersparnisse und potenziellen Verbesserungen der diagnostischen Beständigkeit sowie die Möglichkeit einer schnelleren therapeutischen Anpassung durch frühere Erkennung progressiver Krankheitsverläufe (Weiner 2009) abgewogen werden.
Zukünftige Forschung sollte sich darauf konzentrieren, den Nutzen von KI-Instrumenten im realen klinischen Setting zu validieren, ihre nahtlose Integration in bestehende Arbeitsabläufe sicherzustellen und ihre langfristige Kosteneffizienz zu bewerten. Da sich die KI-Technologie weiterhin entwickelt, wird ihre Rolle in der Neuroradiologie voraussichtlich wachsen. Hieraus ergibt sich das Potenzial, die Patientenversorgung zu verbessern, indem der Einsatz von KI eine schnellere, standardisierte und zuverlässigere Krankheitsüberwachung ermöglicht (Bonacchi et al. 2022). Die Ergebnisse unserer Studie unterstützen die potenziellen Vorteile des Einsatzes von KI-basierten Instrumenten zur Beurteilung der Krankheitsaktivität bei Patienten mit MS und zeige dies sowohl für erfahrene Neuroradiologen als auch für junge Ärzte ohne vorherige neuroradiologische Erfahrung zu Beginn ihrer Facharztausbildung.
