Krebs ist eine häufige Ursache für Morbidität und Mortalität weltweit – durchschnittlich wird jeder Fünfte im Laufe seines Lebens an Krebs erkranken (The Burden of Cancer, o. J.). Krebsscreening richtet sich an asymptomatische Personen und zielt darauf ab, entweder Krebs im Frühstadium oder Krebsvorstufen zu erkennen. In vielen Fällen kann dadurch frühzeitig eingegriffen werden, was den Behandlungserfolg verbessert. Im Allgemeinen dient Krebsscreening entweder als Vorsorge oder zur Früherkennung. Bei Vorsorgeuntersuchungen sollen gutartige Prozesse erkannt werden, aus denen Krebs entstehen kann. Dies ist nur bei manchen Krebsarten möglich. Bei der Früherkennung soll Krebs im Frühstadium erkannt werden. Wichtig ist, dass Krebsscreening nicht als einzelne Untersuchung verstanden werden sollte, sondern als ein Prozess, der die Ermittlung der Zielgruppe, Durchführung diagnostischer Tests und bei Bedarf auch die Planung weiterer Maßnahmen zur Abklärung und gegebenenfalls die Behandlung umfasst (Weltgesundheitsorganisation. Regionalbüro für Europa, 2022).
Die Radiologie spielt seit Langem eine wesentliche Rolle bei der Ermittlung der Ausdehnung des lokalen Tumors und einer möglichen Streuung, nachdem eine Krebsdiagnose gestellt wurde. Sie ist jedoch auch im Screeningprozess auf mehrere häufig auftretende Krebsarten unverzichtbar. In diesen Fällen stellt die medizinische Bildgebung entweder die primäre Untersuchungsmethode dar oder wird in der weiteren Abklärung im Anschluss an eine andere Screeningmethode, wie z. B. eine Blutuntersuchung, zur Entscheidungsfindung eingesetzt. Abhängig von der Krebsart kann das Krebsscreening bildgebende Verfahren wie Mammographie, Computertomographie (CT), Magnetresonanztomographie (MRT) oder Sonographie einschließen. Für einige der häufigsten Krebsarten wurden nationale Screeningprogramme eingeführt, bei denen medizinische Bildgebung eingesetzt wird. Die meisten dieser Programme richten sich an spezielle Bevölkerungsgruppen, bei denen ein Risiko für die betreffende Krebsart besteht und die mithilfe modifizierbarer und nicht modifizierbarer Risikofaktoren ermittelt werden.
Da gesunde Menschen die Zielgruppe von Krebsscreenings bilden, ist es besonders wichtig, dass bei Screeningprogrammen der Nutzen gegenüber den Nachteilen überwiegt. Dies muss für jedes Programm sorgfältig ermittelt werden und wird gelegentlich kontrovers diskutiert (Lam et al., 2014). Bestimmte Vor- und Nachteile gelten jedoch für alle Screeningtechniken und Krebsarten (Kramer, 2004; Weltgesundheitsorganisation. Regionalbüro für Europa, 2022). Screening kann Gesundheitskosten senken und die Lebensqualität der Patienten verbessern. Es verbessert außerdem häufig die Prognose und die Behandlungsergebnisse bei Personen, bei denen einen Krebserkrankung festgestellt wird, und gibt jenen Personen Sicherheit, die für gesund befunden werden. In manchen Fällen ändert eine Früherkennung jedoch die Prognose nicht, und bei Betroffenen können infolge des Krebsscreenings unnötige Therapien veranlasst werden, die die Gesundheit schädigen oder die Lebensqualität verschlechtern. Tatsächlich wird beim Krebsscreening gelegentlich Krebs entdeckt, der bei der betroffenen Person niemals zu einer Krankheit oder zum Tod geführt hätte. Darüber hinaus sind bei jedem Screening falsch-positive und falsch-negative Ergebnisse unvermeidbar. Erstere führen zu Überbehandlung, mit den daraus resultierenden psychosozialen und körperlichen Nebenwirkungen, und Letztere führen zu falscher Sicherheit und verzögerter Behandlung.
Brustkrebs
Brustkrebs ist die zweithäufigste krebsbedingte Todesursache bei Frauen (Bray et al., 2018) und eine der häufigsten Krebsarten weltweit (Sung et al., 2021). Frühzeitige Erkennung und Behandlung kann die Ergebnisse verbessern, und in Studien wurde nachgewiesen, dass die Mortalität bei Frauen, die ein Krebsscreening nutzen konnten, um 20 % niedriger liegt als bei jenen, denen kein solches Programm angeboten wurde. Schätzungen aus Studien zufolge wird durchschnittlich pro 250–414 gescreenten Frauen ein brustkrebsbedingter Todesfall verhindert (Marmot et al., 2013; Tabár et al., 2011). Mehr als 100 Länder der Welt haben groß angelegte Brustkrebsscreening-Programme umgesetzt (Existence of National Screening Program for Breast Cancer, o. J.). Der Beginn des Screenings wird im Alter zwischen 40 und 50 Jahren empfohlen (Ren et al., 2022) und erfolgt fast ausschließlich entweder mit Mammographie, bei der mit niedrig dosierten Röntgenstrahlen Aufnahmen der Brüste gemacht werden, oder mit digitaler Brusttomosynthese, einer ähnlichen Technik, bei der mithilfe mehrfacher Projektionen eine Reihe von Schichtbildern der Brust erzeugt wird.
Der Algorithmus erhohte die Brustkrebserkennungsrate um 12-27 %,
indem er Mammogramme, die in der Doppelbefundung als negativ beurteilt worden waren, für verdachtig befand und die Patientinnen zur weiteren Beurteilung mit MRT oder Ultraschall empfahl.
Die Genauigkeit der Mammographie schwankt erheblich, und selbst erfahrenste Radiologen kommen zu hohen Raten an falsch-positiven und falsch-negativen Befunden (Elmore et al., 2009; Lehman et al., 2015). Schätzungen zufolge erhält mindestens eine von drei gescreenten Frauen im Laufe ihres Lebens ein falsch-positives Mammographieergebnis (Castells et al., 2006). Mammographie ist besonders schwierig bei dichten Brüsten (Boyd et al., 2007) sowie bei Frauen, die eine Hormonersatztherapie erhalten (Banks et al., 2006). Das Mammographie-Screening ist auch ein arbeitsintensives Verfahren. In vielen europäischen Ländern ist die doppelte Befundung mit Konsensfindung Versorgungsstandard. Dabei bewerten zwei Radiologen nacheinander jeden Fall und kommen bei Unstimmigkeiten zu einem Konsens (Giordano et al., 2012). Leider fehlt es in vielen Ländern auch an speziell für die Mammographie ausgebildeten Radiologen und Röntgentechnikern (Moran & Warren-Forward, 2012; Rimmer, 2017; Wing & Langelier, 2009).
Systeme auf der Grundlage künstlicher Intelligenz (KI) werden in verschiedenen Stadien in den Brustkrebss creeningprozess eingebunden. In einer Studie an fast 30.000 Frauen in den USA und im Vereinigten Königreich, die in Abständen von 1–3 Jahren Mammographien im Rahmen des Brustkrebsscreenings erhielten, mit einer Nachbeobachtungszeit von 39 Monaten, wurde eine Gruppe von drei Deep-Learning-Modellen mit histopathologischen Ergebnissen und der Befundung von qualifizierten Radiologen verglichen (McKinney et al., 2020). Der Algorithmus wies im Vergleich zur ersten Befundung durch die Radiologen eine um 1,2–5,7 % höhere Spezifität und eine um 2,7–9,4 % höhere Sensitivität auf. Die Autoren schätzten, dass die Verwendung des Algorithmus in bis zu 88 % der Screeningfälle bei gleichbleibender Genauigkeit eine zweite Befundung überflüssig machen könnte, wodurch dringend benötigte Ressourcen freigesetzt werden könnten.
In Studien, die KI-basierte Systeme in Verbindung mit der Radiologie nutzen, werden durchgehend vielversprechende Ergebnisse berichtet. Aus einer Studie an fast 16.000 Frauen in Spanien, bei denen entweder digitale Mammographie oder digitale Brusttomosynthese vorgenommen wurde, ergab sich die Schätzung, dass die Verwendung eines Deep-Learning-basierten Algorithmus zu einer um 72,5 % geringeren Arbeitsbelastung gegenüber der doppelten Befundung führen würde, wobei die Sensitivität erhalten bliebe (Raya-Povedano et al., 2021). In diesem Modell würden die am wenigsten verdächtigen Untersuchungen nur vom Algorithmus ausgewertet, und die obersten 2 % der Untersuchungen mit stärkstem Verdacht laut Algorithmus würden unabhängig von der Befundung der Radiologen zur weiteren Abklärung gekennzeichnet. In ähnlicher Weise ergab eine Studie an 7.364 Frauen in Schweden, dass ein kommerziell erhältlicher Deep-Learning-Algorithmus die am wenigsten verdächtigen Mammogramme korrekt klassifizierte, wonach die betreffenden Frauen nicht weiter untersucht wurden (Dembrower et al., 2020). Dabei wurde eine Falsch-Negativ-Rate von 0–2,6 % erreicht. Der Algorithmus erhöhte auch die Brustkrebserkennungsrate um 12–27 %, indem er Mammogramme, die in der Doppelbefundung als negativ beurteilt worden waren, als verdächtig befand und zur weiteren Abklärung mit MRT oder Ultraschall kennzeichnete.
In anderen Studien werden KI-basierte Systeme zur Unterstützung der Entscheidungsfindung bezüglich weiterer Abklärung eingesetzt. In einer Studie an über einer Million Mammographien in Deutschland ordnete ein tiefes Convolutional Neural Network (CNN) jedem Mammogramm einen Konfidenzscore zu (Leibig et al., 2022). Beurteilungen des Algorithmus mit hohem Konfidenzscore wurden nicht weiter abgeklärt, während Beurteilungen mit niedrigem Konfidenzscore an den Radiologen weitergeleitet wurden. Dieser Ansatz war im Vergleich zur Befundung durch einen einzigen Radiologen ohne Unterstützung durch den Algorithmus mit einer Sensitivitätssteigerung um 4 % und einer Spezifitätssteigerung um 0,5 % assoziiert. In diesem Szenario wurden 63 % der Mammogramme durch den Algorithmus automatisch aussortiert, und die verbesserte Leistung im Vergleich zur Befundung durch einen einzigen Radiologen war über acht Screeningzentren und drei Gerätehersteller hinweg konsistent.
Lungenkrebs
Lungenkrebs ist die führende krebsbedingte Todesursache weltweit und hat im Jahr 2020 zu fast 1,8 Millionen Todesfällen geführt (Sung et al., 2021). Als Beispiel für einen zielgerichteten Screening-Ansatz wird Lungenkrebsscreening basierend auf dem individuellen Risiko empfohlen. Das Screening mittels Niedrigdosis-Computertomographie (LDCT) für Erwachsene im Alter von 50 bis 80 Jahren mit einer Rauchervorgeschichte von 20 Packungsjahren wird in den USA seit 2013 empfohlen, nachdem erste Studien eine relative Reduktion der Lungenkrebsmortalität um 20 % ergeben hatten (Lung Cancer: Screening, 2021; National Lung Screening Trial Research Team et al., 2011). Ein ähnliches Screeningprogramm wird derzeit im Vereinigten Königreich eingeführt (NHS England, 2022).
TDie Studie ergab, dass die Anwendung des Algorithmus unabhangig von der Erfahrung des Erstbefunders mit besserer Sensitivitat fur Knoten assoziiert war.
Bei Patienten, die sich einem Lungenkrebsscreening mittels LDCT unterziehen, hat sich die KI als vielversprechend für die automatische Erkennung von Lungenknoten erwiesen, die wahrscheinlich auf eine maligne Erkrankung hindeuten. Dies ist wichtig, weil die Erkennung von Lungenknoten durch Radiologen mühsam, zeitaufwändig und fehleranfällig ist (Al Mohammad et al., 2019; Armato et al., 2009; Gierada et al., 2017; Leader et al., 2005). In einer Studie an fast 2.000 Patienten wurde ein CNN-basierter Algorithmus, der für die automatische Erkennung von Lungenknoten entwickelt wurde, als Zweitbefunder getestet (Katase et al., 2022). Die Ground Truth bestand aus Knoten, die von zwei erfahrenen Radiologen aufgrund der klinischen Vorgeschichte und der Morphologie der Knoten als Hochrisikoknoten eingestuft worden waren. Die Studie ergab, dass die Anwendung des Algorithmus über unabhängig von der Erfahrung des Erstbefunders mit besserer Sensitivität für Knoten assoziiert war. Obwohl die Sensitivität für Milchglasknoten und Knoten von weniger als 1 cm Durchmesser insgesamt geringer war, war die Sensitivität bei Anwendung des Algorithmus doch sehr viel höher, als wenn der Radiologe die Aufnahmen allein beurteilte. Falsch-positive Befunde schlossen Regionen mit Pleuraentzündung oder periphere Gefäße ein, während falsch-negative Befunde sich häufig als schwache oder schlecht abgegrenzte Milchglasknoten oder Knoten nahe dem Zwerchfell erwiesen. Von Bedeutung ist, dass die Autoren in einer Studie an einem Phantom konsistente Modellperformance über eine ganze Reihe von CT-Strahlungsdosen feststellten, was darauf schließen lässt, dass ihre Ergebnisse generell auf andere Protokolle für Thorax-CT übertragbar sein könnten (Katase et al., 2022). Eine andere Studie ergab für einen CNN-basierten Algorithmus für die Erkennung von Lungenknoten in der LDCT eine Sensitivität von 93 % und eine Spezifität von 96 % gegenüber der Konsensbefundung zweier Radiologen (Chamberlin et al., 2021). Falsch-positive Befunde in dieser Studie waren Bereiche von Atelektase, Parenchymveränderungen im Zusammenhang mit einer Infektion und Osteophyten, die von Brustwirbeln in die Lungenfelder hineinragten.
In einigen Studien wurde versucht, über die reine Identifikation von Lungenknoten hinaus das Malignitätsrisiko der erkannten Knoten zu klassifizieren. Ein Mehrkomponenten- Algorithmus, der Lungensegmentierung, Detektion der Krebsregion und Krebsvorhersagemodelle einschließt, wurde an 6.716 LDCT-Aufnahmen getestet und an einem unabhängigen Datensatz von 1.139 LDCT-Aufnahmen validiert (Ardila et al., 2019). Der Algorithmus gibt einen Wahrscheinlichkeitswert für Malignität basierend auf entweder einzelnen LDCT-Aufnahmen oder, soweit verfügbar, früheren LDCT-Aufnahmen desselben Patienten aus. Auf der Grundlage einer Ground Truth von bioptisch nachgewiesenem Lungenkrebs erbrachte der Algorithmus eine ebenso gute Leistung wie sechs Radiologen, wenn frühere LDCT-Aufnahmen zur Verfügung standen. In den Fällen ohne frühere LDCT-Aufnahmen wies der Algorithmus eine um 11 % niedrigere Falsch-Positiv-Rate und eine um 5 % niedrigere Falsch-Negativ-Rate auf als die Radiologen.
Die Beurteilung des Lungenparenchyms auf LDCT-Aufnahmen über das Vorliegen von Lungenknoten hinaus ist ein aktueller und vielversprechender Ansatz zur Einschätzung des zukünftigen Risikos von Lungenkrebs. Laut einer Studie hatte ein 3D-CNN-Algorithmus, der an über 15.000 LDCT-Aufnahmen geprüft wurde, eine Fläche unter der ROC-(Receiver Operating Characteristic-) Kurve (AUC) von 0,86–0,94 (abhängig vom Datensatz) für die Vorhersage von Lungenkrebs nach einem Jahr (Mikhael et al., 2023). Interessanterweise betrug die AUC des Algorithmus nach Ausschluss von Fällen, bei denen bei Baseline sichtbare Knoten an derselben Stelle wie die künftige Krebserkrankung vorlagen, 0,82. Der Algorithmus zeigte auch eine niedrigere Falsch-Positiv-Rate als etablierte Malignitätsscores auf der Grundlage der Knotenmorphologie, wenn das gesamte LDCT-Volumen untersucht wurde. Diese Ergebnisse lassen darauf schließen, dass über die verdächtigen Knoten hinaus noch andere Merkmale zur Vorhersage des Algorithmus beitrugen. Dies bedeutet, dass der Algorithmus in LDCT-Aufnahmen noch wichtige weitere Merkmale erkennt, die über jene hinausgehen, die Radiologen typischerweise zur Vorhersage des Lungenkrebsrisikos für relevant halten.
Mit den Eignungskriterien für ein Lungenkrebsscreening in den USA, die von den Centers for Medicare and Medicaid Services (CMS) vorgegeben werden, wird über die Hälfte der Lungenkrebsfälle übersehen (Y. Wang et al., 2015). Es gibt zwar noch andere, komplexere scorebasierte „Vorscreening“-Tools, doch sind die dafür benötigten Informationen, wie z. B. die Anzahl der Packungsjahre, häufig ungenau oder nicht verfügbar (Kinsinger et al., 2017). Daher wird nun KI eingesetzt, um mehr Personen mit hohem Lungenkrebsrisiko in Screeningprogramme einzuschließen. Eine Studie an 5.615 Personen ergab, dass eine Kombination aus Röntgenleeraufnahmen des Thorax, Alter, Geschlecht und aktuellem Raucherstatus eine gezieltere Auswahl von Patienten für das Krebsscreening mit LDCT erlaubt (Lu et al., 2020). Das Modell in dieser Studie hatte eine AUC von 0,7 für die Vorhersage von Lungenkrebs innerhalb von 12 Jahren, im Vergleich zu einer AUC von 0,63 für die CMS-Kriterien, woraus sich für den Algorithmus eine Reduktion der übersehenen Lungenkrebsfälle um 30,7 % ergibt. Das Modell prognostizierte außerdem die 12-Jahres-Mortalität durch Lungenkrebs mit einer AUC von 0,76. Die Autoren empfehlen keine routinemäßigen Thoraxröntgenuntersuchungen als Vorscreening, befürworten jedoch den Einsatz dieses Modells bei Patienten, bei denen aus anderer klinischer Indikation Thoraxröntgenaufnahmen gemacht werden.
Darmkrebs
Darmkrebs ist bei Frauen und Männern weltweit die dritthäufigste Krebsart mit einem hohen Anteil an den krebsbedingten Todesursachen weltweit (Sung et al., 2021). Er entwickelt sich aus einer Kaskade von Ereignissen: In Zellen der Darmschleimhaut treten verstärkt genetische Mutationen auf, die betreffende Stelle verwandelt sich zuerst in hyperproliferative Schleimhaut, dann in ein gutartiges Adenom und in manchen Fällen in ein Adenokarzinom (Kuipers et al., 2015). Darmkrebsscreening ist primär eine Vorsorgemaßnahme – es dient zur Erkennung potenziell kanzeröser Adenome, die dann entfernt werden können. Dieser Ansatz senkt die Mortalität durch die Krankheit (Zauber et al., 2012).
In einer aktuellen Machbarkeitsstudie kam ein voll automatisierter Ansatz mit CNN zur Polypsegmentierung und Unterscheidung zwischen gutartigen und pramalignen Polypen zum Einsatz.
Darmkrebsscreening erfolgt routinemäßig durch eine Untersuchung auf Blut im Stuhl mithilfe hochsensitiver Tests oder durch die Visualisierung des Darmlumens mittels optischer Koloskopie (Helsingen Lise M. & Kalager Mette, 2022). Die optische Koloskopie ist eine etablierte und zuverlässige Methode zum Nachweis von Kolorektaladenomen und erlaubt gegebenenfalls deren sofortige Entfernung. Wesentliche Nachteile sind jedoch die geringe Patientenadhärenz und die Notwendigkeit einer Sedierung (Inadomi et al., 2012; Joseph et al., 2012; OECD, 2012; Stock et al., 2011; Use of Colorectal Cancer Screening Tests, 2023).
Eine neue, vielversprechende Alternative zur optischen Koloskopie ist die CT-Kolonographie. Diese Technik weist ähnliche diagnostische Genauigkeit wie die optische Koloskopie auf (Pickhardt et al., 2003, 2011, 2018), wird von den Patienten bevorzugt (Ristvedt et al., 2003) und zeigt bessere Adhärenz (Moawad et al., 2010). Sie erfordert keine Sedierung und kann klinisch relevante Befunde außerhalb des Darms erkennen, die bei der optischen Koloskopie nicht sichtbar werden (Smyth et al., 2013). Andererseits erfordert die CT-Kolonographie eine Darmvorbereitung (wie die optische Koloskopie auch), setzt den Patienten einer gewissen ionisierenden Strahlung aus und bietet nicht die Möglichkeit der gleichzeitigen Resektion von Polypen. Trotz dieser Nachteile empfiehlt das American College of Radiology die CT-Kolonographie zum Screening von Patienten mit durchschnittlichem oder moderatem Darmkrebsrisiko (Expert Panel on Gastrointestinal Imaging: et al., 2018).
Aufnahmen der CT-Kolonographie durchlaufen vor der Interpretation eine Reihe von Vorbereitungsschritten. Dazu gehören die Vorverarbeitung zur Entfernung von Artefakten, Extraktion des Kolons aus dem Rest der abdominellen Strukturen, 3D-Rekonstruktion des Kolons und Visualisierung des Kolonlumens. In einer aktuellen Studie wurde eine neuartige Kolonsegmentierungs- und -rekonstruktionsmethode mit der Detektion von Polypen mithilfe eines CNN kombiniert (Alkabbany et al., 2022). Die automatisierte Kolonsegmentierung bewies in 70 % der Fälle eine über 90%ige Überlappung mit der manuellen Segmentierung durch Experten, und Darmpolypen wurden mit einer AUC von 0,93, einer Sensitivität von 97 % und einer Spezifität von 79 % erkannt.
Die Differenzierung zwischen gutartigen Polypen und Polypen mit malignem Potenzial stellt sowohl in der optischen Koloskopie als auch der CT-Kolonographie eine Herausforderung dar und steht im Fokus mehrerer Studien, die KI einsetzen. Radiomikbasierte Ansätze zur Klassifizierung gutartiger gegenüber prämalignen Polypen in der CT-Kolonographie haben AUC-Werte von bis zu 0,91 erreicht, erfordern aber die manuelle Segmentierung der Polypen (Grosu et al., 2021; Song et al., 2014). In einer aktuellen Machbarkeitsstudie kam ein voll automatisierter Ansatz mit CNN zur Polypsegmentierung und Unterscheidung zwischen gutartigen und prämalignen Polypen zum Einsatz (Wesp et al., 2022). Die Autoren trainierten das CNN mit Daten von 63 Patienten und testeten es an einem unabhängigen Datensatz von 59 Patienten. Dabei ergab sich eine AUC von bis zu 0,83 sowie eine Sensitivität von bis zu 80 % und eine Spezifität von bis zu 69 %. Solche KI-basierten Ansätze können potenziell zur Zweitbefundung eingesetzt werden, um die Entscheidungsfindung hinsichtlich der Entfernung der Polypen zu unterstützen.
Leberzellkarzinom
Das Leberzellkarzinom (HCC) gehört weltweit zu den häufigsten krebsbedingten Todesursachen (Sung et al., 2021). Personen mit Leberzirrhose oder chronischer Hepatitis B oder C haben ein hohes Risiko, ein Leberzellkarzinom zu entwickeln (Vogel et al., 2022). Krebsscreening bei diesen Patienten reduziert die Mortalität durch HCC (Singal et al., 2022; Zhang et al., 2004). Das Screening erfolgt normalerweise alle sechs Monate mittels Ultraschall des Bauchraums (European Association for the Study of the Liver, 2018; Frenette et al., 2019; Marrero et al., 2018) mit oder ohne Messung des Alpha-Fetoprotein-Werts im Blut (Colli et al., 2006; Tzartzeva et al., 2018). Auf dem Ultraschall entdeckte verdächtige Läsionen werden mittels CT oder MRT oder beidem näher charakterisiert.
Deep-Learning-Techniken werden auch verbreitet in der Leberbildgebung mit B-Mode-Sonographie angewandt - sie zeigen vielversprechende Ergebnisse bei der Erkennung und Klassifizierung fokaler Leberlasionen als gut- oder bosartig.
Ein komplexes Zusammenspiel zwischen Leberknoten, die in verschiedenen Stadien der chronischen Leberkrankheit existieren, ist an der Pathogenese des Leberzellkarzinoms beteiligt. Regenerative Knoten bilden sich in Reaktion auf die Schädigung von Leberzellen und sind in zirrhotischen Lebern häufig zu finden. Mit der Zeit können sich in diesen regenerativen Knoten genetische Mutationen akkumulieren, die diese in dysplastische Knoten verwandeln, wobei mit zunehmenden Mutationen das Risiko für eine Progression zu HCC steigt (Kudo, 2009). Die Differenzierung zwischen dysplastischen und malignen Knoten in der Bildgebung stellt eine Herausforderung dar (Park et al., 2017). Darüber hinaus gleichen die Merkmale des HCC in der Bildgebung manchmal jenen anderer Leberläsionen wie Hämangiomen, einfachen Leberzysten und fokaler nodulärer Hyperplasie (Heiken, 2007).
Eine Studie an 72 Patienten mit einem Radiomikansatz, bei dem Durchblutungsdaten und Echostrukturanalyse in kontrastmittelverstärktem Ultraschall kombiniert wurden, ergab eine ausgewogene Genauigkeit von 0,84 für die Unterscheidung zwischen gutartigen und bösartigen Leberläsionen (Turco et al., 2022). Eine weitere Studie mit kontrastmittelverstärktem Ultraschall und Anwendung eines Support-Vector-Machine-Lernansatzes ergab eine Sensitivität von 94,8 % und eine Spezifität von 93,6 % für die Unterscheidung zwischen HCC und fokaler nodulärer Hyperplasie (Huang et al., 2020). In anderen Studien wurden ähnliche Ergebnisse erzielt (Gatos et al., 2015; Kondo et al., 2017). In einer multizentrischen Studie zur Untersuchung der Differenzierung von 11 verschiedenen Typen fokaler Leberläsionen mit kontrast- mittelverstärktem Ultraschall und Histopathologiedaten als Referenz war Support-Vector-Machine-Learning (AUC = 0,883) einem künstlichen neuralen Netzwerk (AUC = 0,829) überlegen, und beide erzielten bessere Ergebnisse als ein erfahrener Radiologe (AUC = 0,702) (Ta et al., 2018).
Deep-Learning-Techniken werden auch verbreitet in der Leberbildgebung mit B-Mode-Sonographie angewandt. Diese Studien haben vielversprechende Ergebnisse bei der Erkennung (Brehar et al., 2020; Schmauch et al., 2019; Tiyarattanachai et al., 2022) und Klassifizierung fokaler Leberläsionen als gut- oder bösartig (Schmauch et al., 2019) oder deren Spezifizierung erzielt (Hassan et al., 2017; Virmani et al., 2014). Mithilfe eines Deep-Learning- Ansatzes wurde in einer Studie festgestellt, dass die Kombination von demografischen Patientendaten und Laborergebnissen mit B-Mode-Ultraschallaufnahmen die AUC für die Klassifizierung von Leberläsionen als gut- oder bösartig von 0,721 (nur mit Ultraschall) auf 0,994 verbesserte (Sato et al., 2022). Eine weitere Studie an 334 Patienten ergab, dass die Detektionsrate fokaler Leberläsionen in der B-Mode-Sonographie bei Verwendung eines CNN für HCC höher war als für andere fokale Leberläsionen und dass das CNN menschlichen Experten überlegen war (bei einer Detektionsrate des Algorithmus von 100 % im Vergleich zu 39,1 % für Nichtradiologen und 69,6 % für Radiologen) (Tiyarattanachai et al., 2022).
Prostatakrebs
Prostatakrebs ist die häufigste Krebserkrankung bei Männern in Europa und den USA (Ferlay et al., 2018; Siegel et al., 2021) und die dritthäufigste Krebsart weltweit (Sung et al., 2021). In Ländern mit entsprechenden Vorsorgeprogrammen basiert das Krebsscreening üblicherweise auf der Messung der Werte des prostataspezifischen Antigens (PSA) im Serum. Der PSA-Wert besitzt hohe Sensitivität, aber niedrige Spezifität für Prostatakrebs (Merriel et al., 2022). Krebsscreening auf der Basis des PSA-Werts allein führt daher zu vielen unnötigen Biopsien, wobei bis zu 75 % der systematischen Prostatabiopsien – bei denen mehrere Proben aus verschiedenen Teilen der Drüse entnommen werden, ohne dass eine bestimmte Stelle der Prostata gezielt bioptiert wird – negativ sind (Ahmed et al., 2017). Darüber hinaus werden beim PSA-Screening tendenziell Krebsarten mit niedrigerem Risiko und langsamerem Wachstum erkannt, die nicht als klinisch signifikant gelten, weil sie das Überleben des Patienten nicht gefährden (US Preventive Services Task Force et al., 2018; Welch & Albertsen, 2020). Krebsscreening basierend auf dem PSA-Wert im Serum, gefolgt von einer systematischen Biopsie, hat daher insgesamt einen fraglichen Nutzen. Der ideale Ansatz wäre stattdessen, Krebs zu erkennen und gleichzeitig seine klinische Signifikanz zu bestimmen.
In einer Studie mit Verwendung eines Random Forest Classifier zur Erkennung verdächtiger Regionen auf multiparametrischen MRT-Aufnahmen der Prostata war der Algorithmus mit Kürzeren Befundungszeiten und hoherer Spezifitat assoziiert.
Multiparametrische MRT spielt eine immer wichtigere Rolle bei der Abklärung von Prostatakrebsfällen nach dem Screening und schließt diffusionsgewichtete und T2-gewichtete Sequenzen mit oder ohne T1-gewichtete dynamische kontrastmittelverstärkte Sequenz ein (Walker et al., 2020). Falsch-positive Befunde und die Detektion von klinisch nicht signifikantem Prostatakrebs können mittels MRT reduziert werden, was zu einer Minderung von Überbehandlungen beitragen kann (Drost et al., 2019). Studien deuten darauf hin, dass die Durchführung einer MRT vor der Biopsie die Anzahl unnötiger Biopsien um ein Drittel senken kann (Elwenspoek et al., 2019), und dieser Ansatz wurde in mehrere Leitlinien zum Prostatakrebs-Management aufgenommen (Leitlinienprogramm Onkologie: Prostatakarzinom, o. J., Overview | Prostate Cancer: Diagnosis and Management | Guidance | NICE, o. J.; Mottet et al., 2017). Mithilfe der MRT können bei Patienten mit negativen systematischen Prostatabiopsien gezielte Biopsien durchgeführt werden (Hoeks et al., 2012; Hugosson et al., 2022; Penzkofer et al., 2015; Siddiqui et al., 2015; Sonn et al., 2014). Bei Patienten mit sehr niedrigem oder niedrigem Risiko für Prostatakrebs kann die MRT bei der aktiven Überwachung der Krankheit hilfreich sein – dieser Ansatz ist mit guten langfristigen Ergebnissen assoziiert (Klotz et al., 2015). Die Befundung von MRT-Aufnahmen der Prostata ist jedoch schwierig und sogar standardisierte Befundungssysteme weisen eine steile Lernkurve auf. Darüber hinaus variiert die diagnostische Leistung zwischen einzelnen Radiologen und Einrichtungen erheblich (Kohestani et al., 2019; Muller et al., 2015; Rosenkrantz et al., 2017; Smith et al., 2019; Westphalen et al., 2020).
Die Segmentierung der gesamten Prostata erlaubt die Bestimmung des Volumens der Vorsteherdrüse, das zur Berechnung der PSA-Dichte (ein Maß, das Hinweise zur Unterscheidung zwischen gutartiger Prostatahypertrophie und Prostatakrebs liefert) und für die Radiotherapieplanung herangezogen wird. Die manuelle Prostatasegmentierung durch Radiologen ist jedoch zeitaufwändig und fehleranfällig (Garvey et al., 2014). Eine automatisierte Segmentierung der Prostata mit KI-basierten Tools ist machbar und präzise, und es stehen derzeit mehrere kommerzielle Produkte für diesen Zweck zur Verfügung (AI for Radiology, o. J.; Bardis et al., 2021; Belue & Turkbey, 2022; Sanford et al., 2020; Sunoqrot et al., 2022; Turkbey & Haider, 2022; Ushinsky et al., 2021; van Leeuwen et al., 2021; B. Wang et al., 2019).
KI-basierte Ansätze haben sich auch bei der Identifizierung und Segmentierung von Prostatakrebs auf multiparametrischen MRT-Aufnahmen als nützlich erwiesen. Algorithmen teilen Läsionen generell entweder in zwei Klassen (z. B. klinisch signifikanter vs. nicht klinisch signifikanter Prostatakrebs) oder mithilfe des PI-RADSScores in mehrere Klassen ein (Belue & Turkbey, 2022; Twilt et al., 2021). In einer multizentrischen Studie mit mehreren Befundern, in der ein Random Forest Classifier zur Erkennung verdächtiger Regionen auf multiparametrischen MRT-Aufnahmen der Prostata eingesetzt wurde, war der Algorithmus mit kürzeren Befundungszeiten (2,7 bis 4,4 Minuten mit Algorithmus gegenüber 3,5 bis 6,3 Minuten ohne Algorithmus, je nach Erfahrung des Befunders) und höherer Spezifität assoziiert (71,5 % vs. 44,8 %) (Gaur et al., 2018).
In mehreren Studien wurden mithilfe von Deep-Learning- Ansätzen AUC-Werte von bis zu 0,89 bei der Erkennung von Prostatakrebs auf multiparametrischen MRT-Aufnahmen erzielt (Arif et al., 2020; Saha et al., 2021). Ein kommerziell erhältlicher Deep-Learning-Algorithmus verbesserte die Erkennung von klinisch signifikantem Prostatakrebs durch Radiologen (unter Verwendung der Konsensentscheidung dreier erfahrener Radiologen als Referenz), erhöhte die Zuverlässigkeit der Ergebnisse zwischen verschiedenen Befundern und reduzierte die mediane Befundungszeit (Winkel et al., 2021). Ähnlich der Situation bei Brustkrebs ist die diagnostische Genauigkeit am höchsten, wenn KI-basierte Tools und die Interpretationen von Radiologen gemeinsam berücksichtigt werden, anstatt sich ganz auf die Beurteilung der einen oder der anderen zu verlassen (Cacciamani et al., 2023).
Die KI wird auch zur Klassifizierung der Aggressivität von Prostatakrebs eingesetzt. In einer MRT-basierten Radiomikstudie diente ein Support Vector Machine Classifier zur Segmentierung der Regionen von Prostatakrebs, gefolgt von einer Strukturanalyse und quantitativer Merkmalsextraktion (Giannini et al., 2021). In derselben Studie nutzte ein weiterer Support Vector Machine Classifier die extrahierten Merkmale zur Klassifizierung der Aggressivität des Tumors unter Verwendung des histopathologischen Grading als Referenz. Nach Training der KI an den Daten von 72 Patienten ergab sich in der Studie eine AUC von 0,81 an einem Validierungsdatensatz von 59 Patienten (positiver prädiktiver Wert = 81 %, negativer prädiktiver Wert = 71 %). In einer anderen Studie an den multiparametrischen MRT-Aufnahmen der Prostata von 107 Patienten wurde die PI-RADS-Klassifikation der Radiologen mit einem von einem Random Forest Classifier hergeleiteten Wahrscheinlichkeitsscore kombiniert, und alle so identifizierten verdächtigen Regionen wurden bioptiert (Litjens et al., 2015). Bei Einbeziehung des mittels Algorithmus berechneten Scores war die Wahrscheinlichkeit der Erkennung von Prostatakrebs (AUC = 0,88 mit bzw. 0,81 ohne den Algorithmus) sowie der Erkennung aggressiverer K rebsarten ( AUC = 0 ,87 m it b zw. 0 ,78 ohne den Algorithmus) höher. In einer Studie an 417 Patienten erzielte ein CNN eine AUC von 0,81 bei der Klassifizierung von klinisch signifikantem Prostatakrebs anhand von multiparametrischen MRT-Aufnahmen, bei nur geringfügig geringerer Sensitivität im Vergleich zu äußerst erfahrenen Radiologen (Cao et al., 2019).
Wie bei vielen anderen Anwendungen der KI in der Radiologie hemmt und verzögert die unzureichende Interpretierbarkeit von Deep-Learning-Modellen bei MRT-Aufnahmen der Prostata deren Einführung in der klinischen Praxis (Aristidou et al., 2022; Reddy et al., 2020; Reyes et al., 2020; Vayena et al., 2018). In einer Studie, in der ein CNN an MRT-Aufnahmen der Prostata von 1224 Patienten mit Histopathologiedaten als Referenz eingesetzt wurde, wurde eine AUC von 0,89 bei der Unterscheidung von klinisch signifikantem Prostatakrebs von anderen Prostataveränderungen erzielt (Hamm et al., 2023). Darüber hinaus waren eine voxelbasierte Heatmap von Regionen, bei denen der Verdacht auf klinisch signifikanten Prostatakrebs bestand, und PI-RADS-inspirierte deskriptive Erläuterungen dazu, wie das CNN zu seinem Ergebnis kam, einbezogen. Der Algorithmus war mit einer Verkürzung der Befundungszeit von 85 auf 47 Sekunden und einer Steigerung des Vertrauens in die Befundung bei unerfahrenen Befundern verbunden.
Fazit
Die medizinische Bildgebung spielt eine zentrale Rolle bei den Screeningmethoden für mehrere der häufigsten Krebsarten. Die Interpretation von Screeningunter-suchungen erfordert erhebliches Können und Erfahrung und der gegenwärtige Bedarf an entsprechend geschulten Radiologen übersteigt bei Weitem das Angebot (AAMC Report Reinforces Mounting Physician Shortage, 2021, Clinical Radiology UK Workforce Census 2019 Report, 2019). Der Einsatz von KI-basierten Tools für das Krebsscreening birgt ein immenses Potenzial zur Lösung dieser Probleme. Zu den Vorteilen solcher An-sätze zählen die verbesserte Identifikation von Personen, die für das Krebsscreening infrage kommen, bessere diagnostische Genauigkeit, reduzierte Befundszeiten und gestärktes Vertrauen der Radiologen in ihre eigenen diagnostischen Entscheidungen. Die vielversprechend-sten Ergebnisse werden erzielt, wenn Radiologen und KI-basierte Systeme ihre Entscheidungen bezüglich Scree-ninguntersuchungen gemeinsam treffen. Eine kollabo-rative Entscheidungsfindung zwischen KI-basierten Tools und Radiologen kann daher einer revolutionären Ära im Krebsscreening den Weg bereiten.
Referenzen
AAMC Report Reinforces Mounting Physician Shortage. (2021). AAMC. https://www.aamc.org/news-insights/press- releases/aamc-report-reinforces-mounting-physician-shortage
Aggarwal, R., Sounderajah, V., Martin, G., Ting, D. S. W., Karthikesalingam, A., King, D., Ashrafian, H., & Darzi, A. (2021). Diagnostic accuracy of deep learning in medical imaging: a systematic review and meta-analysis. NPJ Digital Medicine, 4(1), 65. https://doi.org/10.1038/s41746-021-00438-z
Ahmed, H. U., El-Shater Bosaily, A., Brown, L. C., Gabe, R., Kaplan, R., Parmar, M. K., Collaco-Moraes, Y., Ward, K., Hindley, R. G., Freeman, A., Kirkham, A. P., Oldroyd, R., Parker, C., Emberton, M., & PROMIS study group. (2017). Diagnostic accuracy of multi-parametric MRI and TRUS biopsy in prostate cancer (PROMIS): a paired validating confirmatory study. The Lancet, 389(10071), 815–822. https://doi.org/10.1016/ S0140-6736(16)32401-1
AI for radiology. (n.d.). Retrieved June 4, 2023, from https://grand-challenge.org/aiforradiology/?subspeciality=All& modality=All&ce_under=All&ce_%20class=All&fda_ class=All&sort_by=ce+certification&search=prostate
Alkabbany, I., Ali, A. M., Mohamed, M., Elshazly, S. M., & Farag, A. (2022). An AI-Based Colonic Polyp Classifier for Colorectal Cancer Screening Using Low-Dose Abdominal CT. Sensors, 22, (24). https://doi.org/10.3390/s22249761
Al Mohammad, B., Hillis, S. L., Reed, W., Alakhras, M., & Brennan, P. C. (2019). Radiologist performance in the detection of lung cancer using CT. Clinical Radiology, 74(1), 67–75. https://doi.org/10.1016/j.crad.2018.10.008
Ardila, D., Kiraly, A. P., Bharadwaj, S., Choi, B., Reicher, J. J., Peng, L., Tse, D., Etemadi, M., Ye, W., Corrado, G., Naidich, D. P., & Shetty, S. (2019). End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nature Medicine, 25(6), 954–961. https://doi. org/10.1038/s41591-019-0447-x
Arif, M., Schoots, I. G., Castillo Tovar, J., Bangma, C. H., Krestin, G. P., Roobol, M. J., Niessen, W., & Veenland, J. F. (2020). Clinically significant prostate cancer detection and segmentation in low-risk patients using a convolutional neural network on multi-parametric MRI. European Radiology, 30(12), 6582–6592. https://doi.org/10.1007/s00330-020-07008-z
Aristidou, A., Jena, R., & Topol, E. J. (2022). Bridging the chasm between AI and clinical implementation. The Lancet, 399(10325), 620. https://doi.org/10.1016/S0140-6736(22)00235-5
Armato, S. G., 3rd, Roberts, R. Y., Kocherginsky, M., Aberle, D. R., Kazerooni, E. A., Macmahon, H., van Beek, E. J. R., Yankelevitz, D., McLennan, G., McNitt-Gray, M. F., Meyer, C. R., Reeves, A. P., Caligiuri, P., Quint, L. E., Sundaram, B., Croft, B. Y., & Clarke, L. P. (2009). Assessment of radiologist performance in the detection of lung nodules: dependence on the definition of "truth." Academic Radiology, 16(1), 28–38. https://doi.org/10.1016/j.acra.2008.05.022
Banks, E., Reeves, G., Beral, V., Bull, D., Crossley, B., Simmonds, M., Hilton, E., Bailey, S., Barrett, N., Briers, P., English, R., Jackson, A., Kutt, E., Lavelle, J., Rockall, L., Wallis, M. G., Wilson, M., & Patnick, J. (2006). Hormone replacement therapy and false positive recall in the Million Women Study: patterns of use, hormonal constituents and consistency of effect. Breast Cancer Research: BCR, 8(1), R8. https://doi.org/10.1186/bcr1364
Bardis, M., Houshyar, R., Chantaduly, C., Tran-Harding, K., Ushinsky, A., Chahine, C., Rupasinghe, M., Chow, D., & Chang, P. (2021). Segmentation of the Prostate Transition Zone and Peripheral Zone on MR Images with Deep Learning. Radiology. Imaging Cancer, 3(3), e200024. https://doi.org/10.1148/rycan.2021200024
Belue, M. J., & Turkbey, B. (2022). Tasks for artificial intelligence in prostate MRI. European Radiology Experimental, 6(1), 33. https://doi.org/10.1186/s41747-022-00287-9
Boyd, N. F., Guo, H., Martin, L. J., Sun, L., Stone, J., Fishell, E., Jong, R. A., Hislop, G., Chiarelli, A., Minkin, S., & Yaffe, M. J. (2007). Mammographic density and the risk and detection of breast cancer. The New England Journal of Medicine, 356(3), 227–236. https://doi.org/10.1056/NEJMoa062790
Bray, F., Ferlay, J., Soerjomataram, I., Siegel, R. L., Torre, L. A., & Jemal, A.(2018). Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA: A Cancer Journal for Clinicians, 68(6), 394–424. https://doi.org/10.3322/caac.21492
Brehar, R., Mitrea, D.-A., Vancea, F., Marita, T., Nedevschi, S., Lupsor-Platon, M., Rotaru, M., & Badea, R. I. (2020). Comparison of Deep-Learning and Conventional Machine- Learning Methods for the Automatic Recognition of the Hepatocellular Carcinoma Areas from Ultrasound Images. Sensors, 20(11). https://doi.org/10.3390/s20113085
Cacciamani, G. E., Sanford, D. I., Chu, T. N., Kaneko, M., De Castro Abreu, A. L., Duddalwar, V., & Gill, I. S. (2023). Is Artificial Intelligence Replacing Our Radiology Stars? Not Yet! European Urology Open Science, 48, 14–16. https://doi. org/10.1016/j.euros.2022.09.024
Cao, R., Mohammadian Bajgiran, A., Afshari Mirak, S., Shakeri, S., Zhong, X., Enzmann, D., Raman, S., & Sung, K. (2019). Joint Prostate Cancer Detection and Gleason Score Prediction in mp-MRI via FocalNet. IEEE Transactions on Medical Imaging, 38 (11), 2496–2506. https://doi.org/10.1109/ TMI.2019.2901928
Castells, X., Molins, E., & Macià, F. (2006). Cumulative false positive recall rate and association with participant related factors in a population based breast cancer screening programme. Journal of Epidemiology and Community Health, 60(4), 316–321. https://doi.org/10.1136/jech.2005.042119
Chamberlin, J., Kocher, M. R., Waltz, J., Snoddy, M., Stringer, N. F. C., Stephenson, J., Sahbaee, P., Sharma, P., Rapaka, S., Schoepf, U. J., Abadia, A. F., Sperl, J., Hoelzer, P., Mercer, M., Somayaji, N., Aquino, G., & Burt, J. R. (2021). Automated detection of lung nodules and coronary artery calcium using artificial intelligence on low-dose CT scans for lung cancer screening: accuracy and prognostic value. BMC Medicine, 19(1), 55. https://doi.org/10.1186/s12916-021-01928-3
Clinical radiology UK workforce census 2019 report. (2019). https://www.rcr.ac.uk/publication/clinical-radiology-uk- workforce-census-2019-report
Colli, A., Fraquelli, M., Casazza, G., Massironi, S., Colucci, A., Conte, D., & Duca, P. (2006). Accuracy of ultrasonography, spiral CT, magnetic resonance, and alpha-fetoprotein in diagnosing hepatocellular carcinoma: a systematic review. The American Journal of Gastroenterology, 101(3), 513–523. https://doi.org/10.1111/j.1572-0241.2006.00467
Dembrower, K., Wåhlin, E., Liu, Y., Salim, M., Smith, K., Lindholm, P., Eklund, M., & Strand, F. (2020). Effect of artificial intelligence-based triaging of breast cancer screening mammograms on cancer detection and radiologist workload: a retrospective simulation study. The Lancet. Digital Health, 2(9), e468–e474. https://doi.org/10.1016/S2589-7500(20)30185-0
Drost, F.-J. H., Osses, D. F., Nieboer, D., Steyerberg, E. W., Bangma, C. H., Roobol, M. J., & Schoots, I. G.(2019). Prostate MRI, with or without MRI-targeted biopsy, and systematic biopsy for detecting prostate cancer. Cochrane Database of Systematic Reviews, 4(4), CD012663. https://doi.org/10.1002/14651858. CD012663.pub2
Elmore, J. G., Jackson, S. L., Abraham, L., Miglioretti, D. L., Carney, P. A., Geller, B. M., Yankaskas, B. C., Kerlikowske, K., Onega, T., Rosenberg, R. D., Sickles, E. A., & Buist, D. S. M. (2009). Variability in interpretive performance at screening mammography and radiologists’ characteristics associated with accuracy. Radiology, 253(3), 641–651. https://doi.org/10.1148/radiol.2533082308
Elwenspoek, M. M. C., Sheppard, A. L., McInnes, M. D. F., Merriel, S. W. D., Rowe, E. W. J., Bryant, R. J., Donovan, J. L., & Whiting, P. (2019). Comparison of Multiparametric Magnetic Resonance Imaging and Targeted Biopsy With Systematic Biopsy Alone for the Diagnosis of Prostate Cancer: A Systematic Review and Meta-analysis. JAMA Network Open, 2(8), e198427. https:// doi.org/10.1001/jamanetworkopen.2019.8427
European Association for the Study of the Liver. (2018). EASL Clinical Practice Guidelines: Management of hepatocellular carcinoma. Journal of Hepatology, 69(1), 182–236. https://doi.org/10.1016/j.jhep.2018.03.019
Existence of national screening program for breast cancer. (n.d.). Retrieved April 2, 2023, from https://www.who.int/data/gho/data/indicators/indicator-details/GHO/existence-ofnational-screening-program-for-breast-cancer
Expert Panel on Gastrointestinal Imaging:, Moreno, C., Kim, D. H., Bartel, T. B., Cash, B. D., Chang, K. J., Feig, B. W., Fowler, K. J., Garcia, E. M., Kambadakone, A. R., Lambert, D. L., Levy, A. D., Marin, D., Peterson, C. M., Scheirey, C. D., Smith, M. P., Weinstein, S., & Carucci, L. R. (2018). ACR Appropriateness Criteria® Colorectal Cancer Screening. Journal of the American College of Radiology: JACR, 15(5S), S56–S68. https://doi.org/10.1016/j.jacr.2018.03.014
Ferlay, J., Colombet, M., Soerjomataram, I., Dyba, T., Randi,G., Bettio, M., Gavin, A., Visser, O., & Bray, F.(2018). Cancer incidence and mortality patterns in Europe: Estimates for 40 countries and 25 major cancers in 2018. European Journal of Cancer, 103, 356–387. https://doi.org/10.1016/j.ejca.2018.07.005
Freeman, K., Geppert, J., Stinton, C., Todkill, D., Johnson, S., Clarke, A., & Taylor-Phillips, S. (2021). Use of artificial intelligence for image analysis in breast cancer screening programmes: systematic review of test accuracy.BMJ, 374, n1872.https://doi.org/10.1136/bmj.n1872
Frenette, C. T., Isaacson, A. J., Bargellini, I., Saab, S., & Singal, A. G. (2019). A Practical Guideline for Hepatocellular Carcinoma Screening in Patients at Risk. Mayo Clinic Proceedings. Innovations, Quality & Outcomes, 3(3), 302–310. https://doi.org/10.1016/j.mayocpiqo.2019.04.005
Garvey, B., Türkbey, B., Truong, H., Bernardo, M., Periaswamy, S., & Choyke, P. L. (2014). Clinical value of prostate segmentation and volume determination on MRI in benign prostatic hyperplasia. Diagnostic and Interventional Radiology, 20(3), 229–233. https://doi.org/10.5152/dir.2014.13322
Gatos, I., Tsantis, S., Spiliopoulos, S., Skouroliakou, A., Theotokas, I., Zoumpoulis, P., Hazle, J. D., & Kagadis, G. C. (2015). A new automated quantification algorithm for the detection and evaluation of focal liver lesions with contrastenhanced ultrasound. Medical Physics, 42(7), 3948–3959. https://doi.org/10.1118/1.4921753
Gaur, S., Lay, N., Harmon, S. A., Doddakashi, S., Mehralivand, S., Argun, B., Barrett, T., Bednarova, S., Girometti, R., Karaarslan, E., Kural, A. R., Oto, A., Purysko, A. S., Antic, T., Magi-Galluzzi, C., Saglican, Y., Sioletic, S., Warren, A. Y., Bittencourt, L., … Turkbey, B. (2018). Can computeraided diagnosis assist in the identification of prostate cancer on prostate MRI? a multi-center, multi-reader investigation. Oncotarget, 9(73), 33804–33817. https://doi.org/10.18632/ oncotarget.26100
Giannini, V., Mazzetti, S., Defeudis, A., Stranieri, G., Calandri, M., Bollito, E., Bosco, M., Porpiglia, F., Manfredi, M., De Pascale, A., Veltri, A., Russo, F., & Regge, D. (2021). A Fully Automatic Artificial Intelligence System Able to Detect and Characterize Prostate Cancer Using Multiparametric MRI: Multicenter and Multi-Scanner Validation. Frontiers in Oncology, 11, 718155. https://doi.org/10.3389/fonc.2021.718155
Gierada, D. S., Pinsky, P. F., Duan, F., Garg, K., Hart, E. M., Kazerooni, E. A., Nath, H., Watts, J. R., Jr, & Aberle, D. R. (2017). Interval lung cancer after a negative CT screening examination: CT findings and outcomes in National Lung Screening Trial participants. European Radiology, 27(8), 3249–3256. https://doi.org/10.1007/s00330-016-4705-8
Giordano, L., von Karsa, L., Tomatis, M., Majek, O., de Wolf, C., Lancucki, L., Hofvind, S., Nyström, L., Segnan, N., Ponti, A., Eunice Working Group, Van Hal, G., Martens, P., Májek, O., Danes, J., von Euler-Chelpin, M., Aasmaa, A., Anttila, A., Becker, N., … Suonio, E. (2012). Mammographic screening programmes in Europe: organization, coverage and participation. Journal of Medical Screening, 19 Suppl 1, 72–82. https://doi.org/10.1258/jms.2012.012085
Grosu, S., Wesp, P., Graser, A., Maurus, S., Schulz, C., Knösel, T., Cyran, C. C., Ricke, J., Ingrisch, M., & Kazmierczak, P. M. (2021). Machine Learning-based Differentiation of Benign and Premalignant Colorectal Polyps Detected with CT Colonography in an Asymptomatic Screening Population: A Proof-of-Concept Study. Radiology, 299(2), 326–335. https://doi.org/10.1148/radiol.2021202363
Hamm, C. A., Baumgärtner, G. L., Biessmann, F., Beetz, N. L., Hartenstein, A., Savic, L. J., Froböse, K., Dräger, F., Schallenberg, S., Rudolph, M., Baur, A. D. J., Hamm, B., Haas, M., Hofbauer, S., Cash, H., & Penzkofer, T.(2023). Interactive Explainable Deep Learning Model Informs Prostate Cancer Diagnosis at MRI. Radiology, 307(4), e222276. https://doi.org/10.1148/radiol.222276
Hassan, T. M., Elmogy, M., & Sallam, E.-S. (2017). Diagnosis of Focal Liver Diseases Based on Deep Learning Technique for Ultrasound Images. Arabian Journal for Science and Engineering, 42(8), 3127–3140. https://doi.org/10.1007/s13369-016-2387-9
Heiken, J. P. (2007). Distinguishing benign from malignant liver tumours. Cancer Imaging: The Official Publication of the International Cancer Imaging Society, 7 Spec No A(Special issue A), S1–S14. https://doi.org/10.1102/1470-7330.2007.9084
Helsingen Lise M., & Kalager Mette. (2022). Colorectal Cancer Screening — Approach, Evidence, and Future Directions. NEJM Evidence, 1(1), EVIDra2100035. https://doi.org/10.1056/ EVIDra2100035
Hoeks, C. M. A., Schouten, M. G., Bomers, J. G. R., Hoogendoorn, S. P., Hulsbergen-van de Kaa, C. A., Hambrock, T., Vergunst, H., Sedelaar, J. P. M., Fütterer, J. J., & Barentsz, J. O. (2012). Three-Tesla magnetic resonance-guided prostate biopsy in men with increased prostate-specific antigen and repeated, negative, random, systematic, transrectal ultrasound biopsies: detection of clinically significant prostate cancers. European Urology, 62(5), 902–909. https://doi.org/10.1016/j. eururo.2012.01.047
Huang, Q., Pan, F., Li, W., Yuan, F., Hu, H., Huang, J., Yu, J., & Wang, W. (2020). Differential Diagnosis of Atypical Hepatocellular Carcinoma in Contrast-Enhanced Ultrasound Using Spatio-Temporal Diagnostic Semantics. IEEE Journal of Biomedical and Health Informatics, 24(10), 2860–2869. https://doi.org/10.1109/JBHI.2020.2977937
Hugosson, J., Månsson, M., Wallström, J., Axcrona, U., Carlsson, S. V., Egevad, L., Geterud, K., Khatami, A., Kohestani, K., Pihl, C.-G., Socratous, A., Stranne, J., Godtman, R. A., Hellström, M., & GÖTEBORG-2 Trial Investigators. (2022). Prostate Cancer Screening with PSA and MRI Followed by Targeted Biopsy Only.The New England Journal of Medicine, 387(23), 2126–2137. https://doi.org/10.1056/NEJMoa2209454
Inadomi, J. M., Vijan, S., Janz, N. K., Fagerlin, A., Thomas, J. P., Lin, Y. V., Muñoz, R., Lau, C., Somsouk, M., El-Nachef, N., & Hayward, R. A. (2012). Adherence to colorectal cancer screening: a randomized clinical trial of competing strategies. Archives of Internal Medicine, 172(7), 575–582. https://doi. org/10.1001/archinternmed. 2012.332
Joseph, D. A., Jessica B. King, M. P. H., Miller, J. W., & Richardson, L. C. (2012, June 15).Prevalence of Colorectal Cancer Screening Among Adults — Behavioral Risk Factor Surveillance System, United States, 2010. https://www.cdc.gov/MMWr/preview/mmwrhtml/su6102a9.htm
Katase, S., Ichinose, A., Hayashi, M., Watanabe, M., Chin,K., Takeshita, Y., Shiga, H., Tateishi, H., Onozawa, S., Shirakawa, Y., Yamashita, K., Shudo, J., Nakamura, K., Nakanishi, A., Kuroki, K., & Yokoyama, K. (2022). Development and performance evaluation of a deep learning lung nodule detection system. BMC Medical Imaging. 22(1), 203. https://doi.org/10.1186/s12880-022-00938-8
Kinsinger, L. S., Anderson, C., Kim, J., Larson, M., Chan, S. H., King, H. A., Rice, K. L., Slatore, C. G., Tanner, N. T., Pittman, K., Monte, R. J., McNeil, R. B., Grubber, J. M., Kelley, M. J., Provenzale, D., Datta, S. K., Sperber, N. S., Barnes, L. K., Abbott, D. H., … Jackson, G. L. (2017). Implementation of Lung Cancer Screening in the Veterans Health Administration. JAMA Internal Medicine, 177(3), 399–406. https://doi.org/10.1001/jamainternmed.2016.9022
Klotz, L., Vesprini, D., Sethukavalan, P., Jethava, V., Zhang, L., Jain, S., Yamamoto, T., Mamedov, A., & Loblaw, A. (2015). Long-term follow-up of a large active surveillance cohort of patients with prostate cancer.Journal of Clinical Oncology: Official Journal of the American Society of Clinical Oncology, 33(3), 272–277.https://doi.org/10.1200/JCO.2014.55.1192
Kohestani, K., Wallström, J., Dehlfors, N., Sponga, O. M., Månsson, M., Josefsson, A., Carlsson, S., Hellström, M., & Hugosson, J. (2019). Performance and inter-observer variability of prostate MRI (PI-RADS version 2) outside high-volume centres. Scandinavian Journal of Urology, 53(5), 304–311. https://doi.org/10.1080/21681805.2019.1675757
Kondo, S., Takagi, K., Nishida, M., Iwai, T., Kudo, Y., Ogawa, K., Kamiyama, T., Shibuya, H., Kahata, K., & Shimizu, C. (2017). Computer-Aided Diagnosis of Focal Liver Lesions Using Contrast-Enhanced Ultrasonography With Perflubutane Microbubbles. IEEE Transactions on Medical Imaging, 36(7),1427–1437. https://doi.org/10.1109/TMI.2017.2659734
Kramer, B. S. (2004). The science of early detection. Urologic Oncology, 22(4), 344–347. https://doi.org/10.1016/j.urolonc.2003.04.001
Kudo, M. (2009). Multistep human hepatocarcinogenesis: correlation of imaging with pathology. Journal of Gastroenterology, 44 Suppl 19, 112–118. https://doi.org/10.1007/s00535-008-2274-6
Kuipers, E. J., Grady, W. M., Lieberman, D., Seufferlein, T., Sung, J. J., Boelens, P. G., van de Velde, C. J. H., & Watanabe, T. (2015) Colorectal cancer.Nature Reviews. Disease Primers, 1, 15065. https://doi.org/10.1038/nrdp.2015.65
Lam, D. L., Pandharipande, P. V., Lee, J. M., Lehman, C. D., & Lee, C. I. (2014). Imaging-based screening: understanding the controversies.AJR. American Journal of Roentgenology, 203(5), 952–956. https://doi.org/10.2214/AJR.14.13049
Lauritzen, A. D., Rodríguez-Ruiz, A., von Euler-Chelpin, M. C., Lynge, E., Vejborg, I., Nielsen, M., Karssemeijer, N., & Lillholm, M. (2022). An Artificial Intelligence-based Mammography Screening Protocol for Breast Cancer: Outcome and Radiologist Workload. Radiology, 304(1), 41–49. https://doi.org/10.1148/radiol.210948
Leader, J. K., Warfel, T. E., Fuhrman, C. R., Golla, S. K., Weissfeld, J. L., Avila, R. S., Turner, W. D., & Zheng, B. (2005). Pulmonary nodule detection with low-dose CT of the lung: agreement among radiologists. AJR. American Journal of Roentgenology, 185(4), 973–978. https://doi.org/10.2214/AJR.04.1225
Lehman, C. D., Wellman, R. D., Buist, D. S. M., Kerlikowske, K., Tosteson, A. N. A., Miglioretti, D. L., & Breast Cancer Surveillance Consortium. (2015). Diagnostic Accuracy of Digital Screening Mammography With and Without Computer-Aided Detection. JAMA Internal Medicine, 175(11), 1828–1837. https://doi.org/10.1001/jamainternmed.2015.5231
Leibig, C., Brehmer, M., Bunk, S., Byng, D., Pinker, K., & Umutlu, L. (2022). Combining the strengths of radiologists and AI for breast cancer screening: a retrospective analysis. The Lancet. Digital Health, 4(7), e507–e519. https://doi.org/10.1016/ S2589-7500(22)00070-X
Leitlinienprogramm Onkologie: Prostatakarzinom. (n.d.). Retrieved July 8, 2023, from https://www.leitlinienprogrammonkologie. de/index.php?id=58&type=0
Litjens, G. J. S., Barentsz, J. O., Karssemeijer, N., & Huisman, H. J. (2015). Clinical evaluation of a computer-aided diagnosis system for determining cancer aggressiveness in prostate MRI. European Radiology, 25(11), 3187–3199. https://doi.org/10.1007/s00330-015-3743-y
Lu, M. T., Raghu, V. K., Mayrhofer, T., Aerts, H. J. W. L., & Hoffmann, U. (2020). Deep Learning Using Chest Radiographs to Identify High-Risk Smokers for Lung Cancer Screening Computed Tomography: Development and Validation of a Prediction Model. Annals of Internal Medicine, 173(9), 704–713. https://doi.org/10.7326/M20-1868
Lung cancer: Screening. (2021, March 9). US Preventive Services Taskforce. https://www.uspreventiveservicestaskforce.org/uspstf/recommendation/lung-cancer-screening
Marmot, M. G., Altman, D. G., Cameron, D. A., Dewar, J. A., Thompson, S. G., & Wilcox, M. (2013). The benefits and harms of breast cancer screening: an independent review. British Journal of Cancer, 108(11), 2205–2240. https://doi.org/10.1038/bjc.2013.177
Marrero, J. A., Kulik, L. M., Sirlin, C. B., Zhu, A. X., Finn, R. S., Abecassis, M. M., Roberts, L. R., & Heimbach, J. K. (2018). Diagnosis, Staging, and Management of Hepatocellular Carcinoma: 2018 Practice Guidance by the American Association for the Study of Liver Diseases. Hepatology, 68(2), 723–750. https://doi.org/10.1002/hep.29913
McKinney, S. M., Sieniek, M., Godbole, V., Godwin, J., Antropova, N., Ashrafian, H., Back, T., Chesus, M., Corrado, G. S., Darzi, A., Etemadi, M., Garcia-Vicente, F., Gilbert, F. J., Halling-Brown, M., Hassabis, D., Jansen, S., Karthikesalingam, A., Kelly, C. J., King, D., … Shetty, S. (2020). International evaluation of an AI system for breast cancer screening. Nature, 577(7788), 89–94. https://doi.org/10.1038/s41586-019-1799-6
Merriel, S. W. D., Pocock, L., Gilbert, E., Creavin, S., Walter, F. M., Spencer, A., & Hamilton, W. (2022). Systematic review and meta-analysis of the diagnostic accuracy of prostatespecific antigen (PSA) for the detection of prostate cancer in symptomatic patients. BMC Medicine, 20(1), 54. https://doi.org/10.1186/s12916-021-02230-y
Mikhael, P. G., Wohlwend, J., Yala, A., Karstens, L., Xiang, J., Takigami, A. K., Bourgouin, P. P., Chan, P., Mrah, S., Amayri, W., Juan, Y.-H., Yang, C.-T., Wan, Y.-L., Lin, G., Sequist, L. V., Fintelmann, F. J., & Barzilay, R. (2023). Sybil: A Validated Deep Learning Model to Predict Future Lung Cancer Risk From a Single Low-Dose Chest Computed Tomography.Journal of Clinical Oncology: Official Journal of the American Society of Clinical Oncology, 41(12), 2191–2200. https://doi.org/10.1200/JCO.22.01345
Moawad, F. J., Maydonovitch, C. L., Cullen, P. A., Barlow, D.S., Jenson, D. W., & Cash, B. D. 2010). CT colonography may improve colorectal cancer screening compliance. AJR. American Journal of Roentgenology, 195(5), 1118–1123. https://doi.org/10.2214/AJR.10.4921
Moran, S., & Warren-Forward, H. (2012). The Australian BreastScreen workforce: a snapshot. The Radiographer, 59(1), 26–30. https://doi.org/10.1002/j.2051-3909.2012.tb00169.x
Mottet, N., Bellmunt, J., Bolla, M., Briers, E., Cumberbatch, M. G., De Santis, M., Fossati, N., Gross, T., Henry, A. M., Joniau, S., Lam, T. B., Mason, M. D., Matveev, V. B., Moldovan, P. C., van den Bergh, R. C. N., Van den Broeck, T., van der Poel, H. G., van der Kwast, T. H., Rouvière, O., … Cornford, P. (2017). EAU-ESTRO-SIOG Guidelines on Prostate Cancer. Part 1: Screening, Diagnosis, and Local Treatment with Curative Intent. European Urology 71(4), 618–629. https://doi.org/10.1016/j.eururo.2016.08.003
Muller, B. G., Shih, J. H., Sankineni, S., Marko, J., Rais-Bahrami, S., George, A. K., de la Rosette, J. J. M. C. H., Merino, M. J., Wood, B. J., Pinto, P., Choyke, P. L., & Turkbey, B. (2015). Prostate Cancer: Interobserver Agreement and Accuracy with the Revised Prostate Imaging Reporting and Data System at Multiparametric MR Imaging. Radiology, 277(3), 741–750. https://doi.org/10.1148/radiol.2015142818
National Lung Screening Trial Research Team, Aberle, D. R., Adams, A. M., Berg, C. D., Black, W. C., Clapp, J. D., Fagerstrom, R. M., Gareen, I. F., Gatsonis, C., Marcus, P.M., & Sicks, J. D. (2011). Reduced lung-cancer mortality with low-dose computed tomographic screening. The New England Journal of Medicine, 365(5), 395–409. https://doi.org/10.1056/NEJMoa1102873
NHS England. (2022). Targeted screening for lung cancer with low radiation dose computed tomography Standard protocol prepared for the Targeted Lung Health Checks Programme. https://www.england.nhs.uk/publication/targeted-screening-for-lung-cancer
OECD. (2012). Screening, survival and mortality for colorectal cancer.In Health at a Glance: Europe 2012 (pp. 110–111). OECD. https://doi.org/10.1787/9789264183896-48-en
Overview | Prostate cancer: diagnosis and management | Guidance | NICE. (n.d.). Retrieved July 8, 2023, from https://www.nice.org.uk/guidance/ng131
Park, H. J., Choi, B. I., Lee, E. S., Park, S. B., & Lee, J. B. (2017). How to Differentiate Borderline Hepatic Nodules in Hepatocarcinogenesis: Emphasis on Imaging Diagnosis. Liver Cancer, 6(3), 189–203. https://doi.org/10.1159/000455949
Penzkofer, T., Tuncali, K., Fedorov, A., Song, S.-E., Tokuda, J., Fennessy, F. M., Vangel, M. G., Kibel, A. S., Mulkern, R. V., Wells, W. M., Hata, N., & Tempany, C. M. C. (2015). Transperineal in-bore 3-T MR imaging-guided prostate biopsy: a prospective clinical observational study.Radiology, 274(1), 170–180. https://doi.org/10.1148/radiol.14140221
Pickhardt, P. J., Choi, J. R., Hwang, I., Butler, J. A., Puckett, M.L., Hildebrandt, H. A., Wong, R. K., Nugent, P. A., Mysliwiec, P. A., & Schindler, W. R. (2003). Computed tomographic virtual colonoscopy to screen for colorectal neoplasia in asymptomatic adults.The New England Journal of Medicine, 349(23), 2191–2200. https://doi.org/10.1056/NEJMoa031618
Pickhardt, P. J., Correale, L., Delsanto, S., Regge, D., & Hassan, C. (2018). CT Colonography Performance for the Detection of Polyps and Cancer in Adults ≥ 65 Years Old: Systematic Review and Meta-Analysis.AJR. American Journal of Roentgenology, 211(1), 40–51. https://doi.org/10.2214/AJR.18.19515
Pickhardt, P. J., Hassan, C., Halligan, S., & Marmo, R. (2011). Colorectal cancer: CT colonography and colonoscopy for detection-systematic review and meta-analysis.Radiology, 259(2), 393–405. https://doi.org/10.1148/radiol.11101887
Raya-Povedano, J. L., Romero-Martín, S., Elías-Cabot, E., Gubern-Mérida, A., Rodríguez-Ruiz, A., & Álvarez-Benito, M. (2021). AI-based Strategies to Reduce Workload in Breast Cancer Screening with Mammography and Tomosynthesis: A Retrospective Evaluation. Radiology, 300(1), 57–65. https://doi. org/10.1148/radiol.2021203555
Reddy, S., Allan, S., Coghlan, S., & Cooper, P. (2020). A governance model for the application of AI in health care. Journal of the American Medical Informatics Association: JAMIA, 27(3), 491–497. https://doi.org/10.1093/jamia/ocz192
Ren, W., Chen, M., Qiao, Y., & Zhao, F. (2022). Global guidelines for breast cancer screening: A systematic review.Breast, 64,85–99. https://doi.org/10.1016/j.breast.2022.04.003
Reyes, M., Meier, R., Pereira, S., Silva, C. A., Dahlweid, F.-M., von Tengg-Kobligk, H., Summers, R. M., & Wiest, R. (2020). On the Interpretability of Artificial Intelligence in Radiology: Challenges and Opportunities. Radiology.Artificial Intelligence, 2(3), e190043. https://doi.org/10.1148/ryai.2020190043
Rimmer, A. (2017). Radiologist shortage leaves patient care at risk, warns royal college.BMJ, 359, j4683. https://doi.org/10.1136/bmj.j4683
Ristvedt, S. L., McFarland, E. G., Weinstock, L. B., & Thyssen, E. P. (2003). Patient preferences for CT colonography, conventional colonoscopy, and bowel preparation. The American Journal of Gastroenterology, 98(3), 578–585.https://doi.org/10.1016/S0002-9270(02)06024-0
Rosenkrantz, A. B., Ayoola, A., Hoffman, D., Khasgiwala, A., Prabhu, V., Smereka, P., Somberg, M., & Taneja, S. S. (2017). The Learning Curve in Prostate MRI Interpretation: Self-Directed Learning Versus Continual Reader Feedback. AJR. American Journal of Roentgenology, 208(3), W92–W100. https://doi.org/10.2214/AJR.16.16876
Saha, A., Hosseinzadeh, M., & Huisman, H. (2021). End-to-end prostate cancer detection in bpMRI via 3D CNNs: Effects of attention mechanisms, clinical priori and decoupled false positive reduction. Medical Image Analysis, 73, 102155. https://doi.org/10.1016/j.media.2021.102155
Sanford, T. H., Zhang, L., Harmon, S. A., Sackett, J., Yang, D., Roth, H., Xu, Z., Kesani, D., Mehralivand, S., Baroni, R.H., Barrett, T., Girometti, R., Oto, A., Purysko, A. S., Xu, S., Pinto, P. A., Xu, D., Wood, B. J., Choyke, P. L., & Turkbey, B. (2020). Data Augmentation and Transfer Learning to Improve Generalizability of an Automated Prostate Segmentation Model. AJR. American Journal of Roentgenology, 215(6), 1403–1410. https://doi.org/10.2214/AJR.19.22347
Sato, M., Kobayashi, T., Soroida, Y., Tanaka, T., Nakatsuka,T., Nakagawa, H., Nakamura, A., Kurihara, M., Endo, M., Hikita, H., Sato, M., Gotoh, H., Iwai, T., Tateishi, R., Koike,K., & Yatomi, Y. (2022). Development of novel deep multimodal representation learning-based model for the differentiation of liver tumors on B-mode ultrasound images. Journal of Gastroenterology and Hepatology, 37(4), 678–684, https://doi.org/10.1111/jgh.15763
Schmauch, B., Herent, P., Jehanno, P., Dehaene, O., Saillard, C., Aubé, C., Luciani, A., Lassau, N., & Jégou, S. (2019). Diagnosis of focal liver lesions from ultrasound using deep learning.Diagnostic and Interventional Imaging, 100(4), 227–233. https://doi.org/10.1016/j.diii.2019.02.009
Siddiqui, M. M., Rais-Bahrami, S., Turkbey, B., George, A. K., Rothwax, J., Shakir, N., Okoro, C., Raskolnikov, D., Parnes, H.L., Linehan, W. M., Merino, M. J., Simon, R. M., Choyke, P. L., Wood, B. J., & Pinto, P. A. (2015). Comparison of MR/ultrasound fusion-guided biopsy with ultrasound-guided biopsy for the diagnosis of prostate cancer. JAMA: The Journal of the American Medical Association, 313(4), 390–397. https://doi.org/10.1001/jama.2014.17942
Siegel, R. L., Miller, K. D., Fuchs, H. E., & Jemal, A. (2021). Cancer Statistics, 2021. CA: A Cancer Journal for Clinicians, 71(1), 7–33. https://doi.org/10.3322/caac.21654
Singal, A. G., Zhang, E., Narasimman, M., Rich, N. E., Waljee, A. K., Hoshida, Y., Yang, J. D., Reig, M., Cabibbo, G., Nahon, P., Parikh, N. D., & Marrero, J.A. (2022). HCC surveillance improves early detection, curative treatment receipt, and survival in patients with cirrhosis: A meta-analysis Journal of Hepatology, 77(1), 128–139. https://doi.org/10.1016/j.jhep.2022.01.023
Smith, C. P., Harmon, S. A., Barrett, T., Bittencourt, L. K., Law, Y. M., Shebel, H., An, J. Y., Czarniecki, M., Mehralivand, S.,Coskun, M., Wood, B. J., Pinto, P. A., Shih, J. H., Choyke, P. L., & Turkbey, B. (2019). Intra- and interreader reproducibility of PI-RADSv2: A multireader study. Journal of Magnetic Resonance Imaging: JMRI, 49(6), 1694–1703. https://doi.org/10.1002/jmri.26555
Smyth, A. E., Healy, C. F., MacMathuna, P., & Fenlon, H. M. (2013). REVIEW OF CT COLONOGRAPHY: REAL-LIFE EXPERIENCE OF ONE THOUSAND CASES IN A TERTIARY REFERRAL CENTRE. Gut, 62(Suppl 2), A15–A15. https://doi.org/10.1136/gutjnl-2013-305143.36
Song, B., Zhang, G., Lu, H., Wang, H., Zhu, W., J Pickhardt, P., & Liang, Z. (2014). Volumetric texture features from higher-order images for diagnosis of colon lesions via CT colonography. International Journal of Computer Assisted Radiology and Surgery, 9(6), 1021–1031. https://doi.org/10.1007/s11548-014-0991-2
Sonn, G. A., Chang, E., Natarajan, S., Margolis, D. J., Macairan, M., Lieu, P., Huang, J., Dorey, F. J., Reiter, R.E., & Marks, L. S. (2014). Value of targeted prostate biopsy using magnetic resonance-ultrasound fusion in men with prior negative biopsy and elevated prostate-specific antigen. European Urology, 65(4), 809–815. https://doi.org/10.1016/j. eururo.2013.03.025
Stock, C., Ihle, P., Schubert, I., & Brenner, H. (2011). Colonoscopy and fecal occult blood test use in Germany: results from a large insurance-based cohort. Endoscopy, 43(9), 771–781. https://doi.org/10.1055/s-0030-1256504
Sung, H., Ferlay, J., Siegel, R. L., Laversanne, M., Soerjomataram, I., Jemal, A., & Bray, F. (2021). Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries. CA: A Cancer Journal for Clinicians, 71(3), 209–249. https://doi.org/10.3322/caac.21660
Sunoqrot, M. R. S., Saha, A., Hosseinzadeh, M., Elschot, M., & Huisman, H. (2022). Artificial intelligence for prostate MRI: open datasets, available applications, and grand challenges.European Radiology Experimental, 6(1), 35. https://doi.org/10.1186/s41747-022-00288-8
Tabár, L., Vitak, B., Chen, T. H.-H., Yen, A. M.-F., Cohen, A., Tot, T., Chiu, S. Y.-H., Chen, S. L.-S., Fann, J. C.-Y., Rosell, J., Fohlin, H., Smith, R. A., & Duffy, S. W. (2011). Swedish two-county trial: impact of mammographic screening on breast cancer mortality during 3 decades. Radiology, 260(3), 658–663. https://doi.org/10.1148/radiol.11110469
Ta, C. N., Kono, Y., Eghtedari, M., Oh, Y. T., Robbin, M. L., Barr, R. G., Kummel, A. C., & Mattrey, R. F. (2018). Focal Liver Lesions: Computer-aided Diagnosis by Using Contrast-enhanced US Cine Recordings. Radiology, 286(3), 1062–1071. https://doi.org/10.1148/radiol.2017170365
The burden of cancer. (n.d.). The Cancer Atlas. Retrieved July 8, 2023, from https://canceratlas.cancer.org/the-burden/theburden-of-cancer/
Tiyarattanachai, T., Apiparakoon, T., Marukatat, S., Sukcharoen, S., Yimsawad, S., Chaichuen, O., Bhumiwat, S., Tanpowpong, N., Pinjaroen, N., Rerknimitr, R., & Chaiteerakij, R. (2022). The feasibility to use artificial intelligence to aid detecting focal liver lesions in real-time ultrasound: a preliminary study based on videos. Scientific Reports 12(1), 7749. https://doi.org/10.1038/s41598-022-11506-z
Turco, S., Tiyarattanachai, T., Ebrahimkheil, K., Eisenbrey, J., Kamaya, A., Mischi, M., Lyshchik, A., & Kaffas, A. E. (2022). Interpretable Machine Learning for Characterization of Focal Liver Lesions by Contrast-Enhanced Ultrasound. IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control, 69(5), 1670–1681. https://doi.org/10.1109/TUFFC.2022.3161719
Turkbey, B., & Haider, M. A. (2022). Deep learning-based artificial intelligence applications in prostate MRI: brief summary. The British Journal of Radiology, 95(1131), 20210563. https://doi.org/10.1259/bjr.20210563
Twilt, J. J., van Leeuwen, K. G., Huisman, H. J., Fütterer, J. J., & de Rooij, M. (2021). Artificial Intelligence Based Algorithms for Prostate Cancer Classification and Detection on Magnetic Resonance Imaging: A Narrative Review.Diagnostics (Basel, Switzerland), 11(6). https://doi.org/10.3390/diagnostics11060959
Tzartzeva, K., Obi, J., Rich, N. E., Parikh, N. D., Marrero, J.A., Yopp, A., Waljee, A. K., & Singal, A. G. (2018). Surveillance Imaging and Alpha Fetoprotein for Early Detection of Hepatocellular Carcinoma in Patients With Cirrhosis: A Meta-analysis. Gastroenterology, 154(6), 1706–1718.e1. https://doi.org/10.1053/j.gastro.2018.01.064
Use of colorectal cancer screening tests. (2023, March 31). https://www.cdc.gov/cancer/colorectal/statistics/use-screeningtests-BRFSS.htm
Ushinsky, A., Bardis, M., Glavis-Bloom, J., Uchio, E., Chantaduly, C., Nguyentat, M., Chow, D., Chang, P. D., & Houshyar, R. (2021). A 3D-2D Hybrid U-Net Convolutional Neural Network Approach to Prostate Organ Segmentation of Multiparametric MRI.AJR. American Journal of Roentgenology, 216(1), 111–116. https://doi.org/10.2214/AJR.19.22168
US Preventive Services Task Force, Grossman, D. C., Curry, S. J., Owens, D. K., Bibbins-Domingo, K., Caughey, A. B., Davidson, K. W., Doubeni, C. A., Ebell, M., Epling, J. W., Jr, Kemper, A. R., Krist, A. H., Kubik, M., Landefeld, C. S., Mangione, C. M., Silverstein, M., Simon, M. A., Siu, A. L., & Tseng, C.-W. (2018). Screening for Prostate Cancer: US Preventive Services Task Force Recommendation Statement. JAMA: The Journal of the American Medical Association, 319(18), 1901–1913. https://doi.org/10.1001/jama.2018.3710
van Leeuwen, K. G., Schalekamp, S., Rutten, M. J. C. M., van Ginneken, B., & de Rooij, M. (2021). Artificial intelligence in radiology: 100 commercially available products and their scientific evidence. European Radiology, 31(6), 3797–3804. https://doi.org/10.1007/s00330-021-07892-z
Vayena, E., Blasimme, A., & Cohen, I. G. (2018). Machine learning in medicine: Addressing ethical challenges.PLoS Medicine, 15(11), e1002689. https://doi.org/10.1371/journal.pmed.1002689
Virmani, J., Kumar, V., Kalra, N., & Khandelwal, N. (2014).Neural network ensemble based CAD system for focal liver lesions from B-mode ultrasound. Journal of Digital Imaging, 27(4), 520–537. https://doi.org/10.1007/s10278-014-9685-0
Vogel, A., Meyer, T., Sapisochin, G., Salem, R., & Saborowski, A. (2022). Hepatocellular carcinoma.The Lancet, 400(10360), 1345–1362. https://doi.org/10.1016/S0140-6736(22)01200-4
Walker, S. M., Choyke, P. L., & Turkbey, B. (2020). What You Need to Know Before Reading Multiparametric MRI for Prostate Cancer. AJR. American Journal of Roentgenology, 214(6), 1211–1219. https://doi.org/10.2214/AJR.19.22751
Wang, B., Lei, Y., Tian, S., Wang, T., Liu, Y., Patel, P., Jani, A.B., Mao, H., Curran, W. J., Liu, T., & Yang, X. (2019). Deeply supervised 3D fully convolutional networks with group dilated convolution for automatic MRI prostate segmentation. Medical Physics, 46(4), 1707–1718. https://doi.org/10.1002/mp.13416
Wang, Y., Midthun, D. E., Wampfler, J. A., Deng, B., Stoddard, S. M., Zhang, S., & Yang, P. (2015). Trends in the proportion of patients with lung cancer meeting screening criteria. JAMA: The Journal of the American Medical Association, 313(8), 853–855. https://doi.org/10.1001/jama.2015.413
Welch, H. G., & Albertsen, P. C. (2020). Reconsidering Prostate Cancer Mortality - The Future of PSA Screening. The New England Journal of Medicine, 382(16), 1557–1563. https://doi.org/10.1056/NEJMms1914228
Wesp, P., Grosu, S., Graser, A., Maurus, S., Schulz, C., Knösel, T., Fabritius, M. P., Schachtner, B., Yeh, B. M., Cyran, C. C., Ricke, J., Kazmierczak, P. M., & Ingrisch, M. (2022). Deep learning in CT colonography: differentiating premalignant from benign colorectal polyps. European Radiology, 32(7), 4749–4759. https://doi.org/10.1007/s00330-021-08532-2
Westphalen, A. C., McCulloch, C. E., Anaokar, J. M., Arora, S., Barashi, N. S., Barentsz, J. O., Bathala, T. K., Bittencourt, L. K., Booker, M. T., Braxton, V. G., Carroll, P. R., Casalino, D. D., Chang, S. D., Coakley, F. V., Dhatt, R., Eberhardt, S. C., Foster, B. R., Froemming, A. T., Fütterer, J. J., … Rosenkrantz, A. B. (2020). Variability of the Positive Predictive Value of PI-RADS for Prostate MRI across 26 Centers: Experience of the Society of Abdominal Radiology Prostate Cancer Diseasefocused Panel. Radiology, 296(1), 76–84. https://doi.org/10.1148/radiol.2020190646
Wing, P., & Langelier, M. H. (2009). Workforce shortages in breast imaging: impact on mammography utilization.AJR. American Journal of Roentgenology, 192(2), 370–378. https://doi.org/10.2214/AJR.08.1665
Winkel, D. J., Tong, A., Lou, B., Kamen, A., Comaniciu, D., Disselhorst, J. A., Rodríguez-Ruiz, A., Huisman, H., Szolar, D., Shabunin, I., Choi, M. H., Xing, P., Penzkofer, T., Grimm, R., von Busch, H., & Boll, D. T. (2021). A Novel Deep Learning Based Computer-Aided Diagnosis System Improves the Accuracy and Efficiency of Radiologists in Reading Biparametric Magnetic Resonance Images of the Prostate: Results of a Multireader, Multicase Study. Investigative Radiology, 56(10), 605–613. https://doi.org/10.1097/RLI.0000000000000780
World Health Organization. Regional Office for Europe. (2022). A short guide to cancer screening: increase effectiveness, maximize benefits and minimize harm. World Health Organization. Regional Office for Europe. https://apps.who.int/iris/handle/10665/351396
Zauber, A. G., Winawer, S. J., O’Brien, M. J., Lansdorp-Vogelaar, I., van Ballegooijen, M., Hankey, B. F., Shi, W., Bond, J. H., Schapiro, M., Panish, J. F., Stewart, E. T., & Waye, J. D. (2012). Colonoscopic polypectomy and long-term prevention of colorectal-cancer deaths. The New England Journal of Medicine, 366(8), 687–696. https://doi.org/10.1056/NEJMoa1100370
Zhang, B.-H., Yang, B.-H., & Tang, Z.-Y. (2004). Randomized controlled trial of screening for hepatocellular carcinoma. Journal of Cancer Research and Clinical Oncology, 130(7), 417–422.https://doi.org/10.1007/s00432-004-0552-0
