Risikostratifizierung von wahrscheinlich gutartigen Veränderungen (BI-RADS 3) in der Mammographie mittels Bayesianischer Netzwerke

• Antragsteller: Privatdozent Dr. Matthias Benndorf
• Fachliche Zuordnung: Nuklearmedizin, Strahlentherapie, Strahlenbiologie
• Förderung: Förderung von 2013 bis 2014
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 251959626

In der Mammographie entdeckte Läsionen, welche nach dem BI-RADS (Breast Imaging: Reporting and Data System) Lexikon in die Kategorie BI-RADS 3 fallen, haben per Definition eine Wahrscheinlichkeit kleiner zwei Prozent für Malignität. Es existieren zahlreiche Deskriptoren (z.B. runder, gruppierter Mikrokalk), die die Einordnung als Läsion der Kategorie 3 rechtfertigen. Ziel des Projektes ist es mittels Bayesianischer Netzwerke zu überprüfen, ob eine weitere Stratifizierung dieser Läsionen möglich ist in solche mit einem deutlich geringeren Risiko für Malignität als zwei Prozent und solche mit einem erhöhten. Bayesianische Netzwerke erlauben die Berechnung des positiven prädiktiven Wertes anhand der Wahrscheinlichkeitsverteilungen einzelner diagnostischer Variablen. Hierbei sind die Variablen als Knoten graphisch dargestellt, während sich die Beziehungen der statistischen Abhängigkeiten zwischen den Variablen als Pfeile darstellen. Es existieren verschiedene Algorithmen ein solches Netzwerk zu konstruieren. Zum Beispiel nimmt der naive Fall die statistische Unabhängigkeit der einzelnen Variablen an. Der tree-augmented naive Bayes Algorithmus lässt eine zusätzliche Abhängigkeit pro Variable zu. Um zuverlässige Schätzungen der einzelnen Wahrscheinlichkeitsverteilungen (beispielsweise wieviele Malignome sind hyperdense Herde, gegeben sie haben eine spikulierte Berandung) zu erhalten, sind große Mengen empirischer Daten erforderlich. Insgesamt kann über die University of Wisconsin auf einen Datensatz von 132.319 nach dem BI-RADS Lexikon beschriebene Mammographien zugegriffen werden. Die Mammographien wurden zwischen 1999 und 2011 angefertigt. Der komplette Datensatz wurde mit dem nationalen Krebsregister der USA abgeglichen, so dass verlässliche Informationen bei beobachteten Veränderungen über den Status maligne/benigne vorliegen. Weiterhin sind zu jedem Patient die Familienanamnese bezüglich Brustkrebs, eigene frühere Brustkrebserkrankungen, Informationen zur Hormonersatztherapie sowie die Dichte des Brustdrüsengewebes hinterlegt.Anhand dieser Daten sollen Klassifizierungsalgorithmen für die Läsionen der Kategorie BI-RADS 3 gefunden werden. Vorüberlegungen haben ergeben, dass die Einbeziehung eines Expertenknotens in resultierende empirische Bayesianische Netzwerke ein vielversprechendes Verfahren darstellt. Dieser Expertenknoten wird seine Wahrscheinlichkeitsverteilung nicht aus den Daten beziehen, sondern aus der vorhandenen wissenschaftlichen Literatur. Beispielsweise trennt der Knoten zwischen typischen und atypischen BI-RADS 3 Läsionen. So lassen sich möglicherweise Gruppen identifizieren, die zu Unrecht als BI-RADS 3 bezeichnet wurden und mit einem deutlich geringeren / höheren Risiko für Malignität einhergehen. Der klinische Nutzen des gesamten Algorithmus ist die Reduktion unsicherer Befunde in der Mammographie, und damit die Reduktion der Menge zusätzlich erforderlicher Bildgebung.

• DFG-Verfahren: Forschungsstipendien
• Internationaler Bezug: USA
• Beteiligte Institution: University of Wisconsin; School of Medicine and Public Health; Department of Radioloy
• Gastgeberin: Professorin Elizabeth Burnside