KI kann Fettleber auf Standard-Thorax-Röntgenbildern erkennen

Die Methode nutzt vorhandene Bilddaten, die bislang primär Herz und Lunge betrafen, nun aber auch die Leber erfassen. Die Technik erreichte in Studien eine hohe diagnostische Genauigkeit und könnte die Früherkennung deutlich vereinfachen – bei geringeren Kosten und ohne zusätzliche Belastung.

Ein Forschungsteam der Osaka Metropolitan University hat ein KI-Modell zur Diagnose von Fettlebererkrankungen entwickelt, das auf Standard-Röntgenbildern des Brustkorbs basiert. Die Methode nutzt den Umstand, dass bei diesen Aufnahmen auch ein Teil der Leber erfasst wird. Dieser Zusammenhang blieb medizinisch bisher weitgehend ungenutzt.

Das Deep-Learning-Modell wurde mit 6.599 Röntgenbildern von 4.414 Patientinnen und Patienten trainiert. Die Klassifikation erfolgte anhand kontrollierter Abschwächungsparameter (Controlled Attenuation Parameter, CAP). Die erzielte diagnostische Genauigkeit liegt bei einem AUC-Wert zwischen 0,82 und 0,83, was auf ein hohes Erkennungspotenzial hinweist.

Durch den Einsatz von KI bei ohnehin routinemäßig erhobenen Röntgenaufnahmen lassen sich potenziell kostenintensive bildgebende Verfahren wie CT oder MRT in vielen Fällen vermeiden. Dies kann den Zugang zur Früherkennung von Fettlebererkrankungen verbessern, insbesondere in ressourcenlimitierten Versorgungssituationen. Der klinische Einsatz könnte somit zur Entlastung medizinischer Einrichtungen beitragen und bestehende diagnostische Lücken schließen. Die Forschenden sehen in dieser Methode die Möglichkeit, die Verbreitung der Fettleberdiagnostik zu erweitern, ohne dass neue Infrastrukturen geschaffen werden müssen.

Original Paper: Performance of a Chest Radiograph–based Deep Learning Model for Detecting Hepatic Steatosis | Radiology: Cardiothoracic Imaging