KI verbessert die Erkennung von Hirntumoren

OXFORD / MÜNCHEN (IT BOLTWISE) – Die Fortschritte in der Künstlichen Intelligenz (KI) haben das Potenzial, die medizinische Diagnostik zu revolutionieren, insbesondere in der Radiologie. Ein neuer Ansatz, der auf der Analyse von MRT-Daten basiert, zeigt vielversprechende Ergebnisse bei der Erkennung von Hirntumoren.

Die Anwendung von Künstlicher Intelligenz in der Medizin, insbesondere in der Radiologie, hat in den letzten Jahren erhebliche Fortschritte gemacht. Forscher haben nun KI-Modelle entwickelt, die in der Lage sind, Hirntumoren in MRT-Bildern fast so gut wie menschliche Radiologen zu erkennen. Diese Modelle nutzen Convolutional Neural Networks (CNNs) und Transferlernen, um Tumore von gesundem Gewebe zu unterscheiden.

Ein bemerkenswerter Aspekt dieser Forschung ist die Betonung der Erklärbarkeit der KI-Modelle. Durch die Möglichkeit, die von der KI als krebsverdächtig identifizierten Bereiche hervorzuheben, wird das Vertrauen von Radiologen und Patienten in die Technologie gestärkt. Obwohl die Genauigkeit der KI mit 85,99 % noch leicht hinter der menschlichen Erkennungsrate liegt, zeigt dieser Ansatz das Potenzial der KI als transparentes Werkzeug in der klinischen Radiologie.

Die Forscher nutzten Transferlernen von Aufgaben wie der Tarnungserkennung, um die Leistung der Modelle zu verbessern. Diese Technik ermöglicht es, ein Modell, das für eine Aufgabe trainiert wurde, für ein neues, verwandtes Projekt zu verwenden. Obwohl die Erkennung getarnter Tiere und die Klassifizierung von Hirntumoren sehr unterschiedliche Bildtypen betreffen, sahen die Forscher Parallelen zwischen einem Tier, das sich durch natürliche Tarnung versteckt, und einer Gruppe von Krebszellen, die sich in gesundem Gewebe verstecken.

In einer retrospektiven Studie mit öffentlichen MRT-Daten untersuchten die Forscher, wie neuronale Netzwerkmodelle auf die Erkennung von Hirntumoren trainiert werden können, während sie einen einzigartigen Transferlernschritt zur Tarnungserkennung einführen, um die Tumorerkennungsfähigkeiten der Netzwerke zu verbessern. Die Forscher fanden heraus, dass die Netzwerke fast perfekt in der Lage waren, normale Gehirnbilder zu erkennen, mit nur 1-2 falsch-negativen Ergebnissen, und zwischen krebsartigen und gesunden Gehirnen zu unterscheiden.

Ein Schlüsselmerkmal des Netzwerks ist die Vielzahl von Möglichkeiten, wie seine Entscheidungen erklärt werden können, was das Vertrauen in die Modelle von medizinischen Fachleuten und Patienten gleichermaßen erhöht. Tiefe Modelle mangeln oft an Transparenz, und da das Feld wächst, wird die Fähigkeit, zu erklären, wie Netzwerke ihre Entscheidungen treffen, wichtig. Nach dieser Forschung kann das Netzwerk Bilder generieren, die spezifische Bereiche in seiner Tumor-positiven oder -negativen Klassifikation zeigen.

In Zukunft glauben die Forscher, dass es wichtig sein wird, tiefe Netzwerkmodelle zu entwickeln, deren Entscheidungen auf intuitive Weise beschrieben werden können, damit Künstliche Intelligenz eine transparente unterstützende Rolle in klinischen Umgebungen einnehmen kann. Während die Netzwerke Schwierigkeiten hatten, zwischen verschiedenen Arten von Hirntumoren zu unterscheiden, war dennoch klar, dass sie eine deutliche interne Repräsentation im Netzwerk hatten.

Die Genauigkeit und Klarheit verbesserten sich, als die Forscher die Netzwerke in der Tarnungserkennung trainierten. Transferlernen führte zu einer Steigerung der Genauigkeit der Netzwerke. Während das am besten abschneidende vorgeschlagene Modell etwa 6 % weniger genau war als die Standard-Erkennung durch Menschen, demonstriert die Forschung erfolgreich die quantitative Verbesserung, die durch dieses Trainingsparadigma erzielt wurde.

Die Forscher glauben, dass dieses Paradigma, kombiniert mit der umfassenden Anwendung von Erklärbarkeitsmethoden, die notwendige Transparenz in der zukünftigen klinischen KI-Forschung fördert. Fortschritte in der KI ermöglichen eine genauere Erkennung und Erkennung von Mustern, was zu einer besseren bildbasierten Diagnosehilfe und -überwachung führt, aber auch mehr Erklärung erfordert, wie die KI die Aufgabe erfüllt.