In ihrem Paper stellt sie gemeinsam mit Forschenden des DFKI, der Universität zu Lübeck und dem Universitätsklinikum Schleswig-Holstein einen interpretierbaren Ansatz für die automatisierte Klassifizierung von Lymphknotenstationen (LNS) und das N-Staging auf PET/CT- und CT-Bildern vor. Dazu wurden zwei etablierte Segmentierungsalgorithmen um eine probabilistische, atlasbasierte LNS-Zuordnung sowie ein regelbasiertes N-Staging erweitert. Die N-Stadieneinteilung ist Teil des weit verbreiteten TNM-Klassifikationssystems für Krebserkrankungen. Das N-Stadium gibt dabei das Ausmaß der Metastasierung in die regionalen Lymphknoten an. Die N-Stadieneinteilung ist ein mehrstufiger Prozess, der fehleranfällig und arbeitsintensiv ist. Verwandte Arbeiten decken oft nur Teilaspekte des N-Stagings ab, erfordern manuelle Annotationen zur Eingabegenerierung oder verwenden minderwertige Referenzstandards zur Erzeugung von Ground-Truth-Daten.
Eine vollständige Automatisierung der N-Staging-Pipeline mit überprüfbaren Ergebnissen in jedem Verarbeitungsschritt – wie im Paper vorgestellt – kann die Effizienz in der klinischen Praxis steigern sowie das manuelle N-Staging objektivieren und verbessern. Eine Analyse der Autoren zeigt, dass ein probabilistischer Ansatz für die Zuweisung der LNS im Vergleich zur Label-Fusion mittels Mehrheitsentscheidung die Zuweisungsgenauigkeit deutlich verbessert. Die vorgeschlagene Methode erzielt eine Genauigkeit von 0,74 bei der LNS-Klassifizierung und von 0,68 beim N-Staging auf PET/CT. Dies stellt im Vergleich zum Basisansatz eine signifikante Verbesserung in Richtung einer Leistung auf menschlichem Niveau dar.
Der entwickelte Algorithmus könnte als Instrument zur Entscheidungsunterstützung dienen. Da die Interpretierbarkeit für das Vertrauen der Nutzer im Gesundheitswesen von entscheidender Bedeutung ist, stellt die Möglichkeit, Zwischenergebnisse und Verarbeitungsschritte zu überprüfen, eine wesentliche Stärke dieser Forschungsarbeit dar.
Das ausgezeichnete Paper:
Sofija Engelson, Jan Ehrhardt, Yannic Elser, Malte M. Sieren, Julia Andresen, Stefanie Schierholz, Tobias Keck, Daniel Drömann, Jörg Barkhausen und Heinz Handels (2026). Interpretable Mediastinal Lymph Node Station Classification and N-staging on CT and PET/CT Images. In: Handels, H., et al. Bildverarbeitung für die Medizin 2026. BVM 2026. Informatik aktuell. Springer Vieweg, Wiesbaden. DOI: 10.1007/978-3-658-51100-5_1
Link: https://link.springer.com/chapter/10.1007/978-3-658-51100-5_1#citeas