Analyse von Röntgenbildern

KI bittet andere KI um zweite Meinung

Uhr
von Marc Landis und msc

Forscher der Monash University im australischen Melbourne haben einen KI-Algorithmus entwickelt, der das Einholen einer zweiten medizinischen Meinung nachahmt. Dazu vergleicht die KI Röntgenbilder von Radiologen.

KI-kommentiertes medizinisches Bild mit vergrössertem Tumor, Tumorkern und Ödemen. (Source: Monash University)
KI-kommentiertes medizinisches Bild mit vergrössertem Tumor, Tumorkern und Ödemen. (Source: Monash University)

Forscher der Monash University im australischen Melbourne haben einen neuen KI-Algorithmus für das Co-Training in der medizinischen Bildgebung entwickelt. Der neue Prozess könne das Einholen einer zweiten Meinung nachahmen, wie die Universität berichtet. Die kürzlich in der Zeitschrift Nature Machine Intelligence veröffentlichte Forschungsarbeit werde die medizinische Bildanalyse für Radiologen und andere Gesundheitsexperten voranbringen, glaubt Hauptforscherin und Doktorandin Himashi Peiris von der Fakultät für Ingenieurwissenschaften. Sie erklärt, dass das Forschungsdesign darauf abziele, einen Wettbewerb zwischen den beiden Komponenten eines "dual-view" KI-Systems zu schaffen.

Dazu muss man wissen, dass Radiologen und andere medizinische Experten traditionell medizinische Scans von Hand beschriften, um bestimmte Bereiche von Interesse, wie Tumore oder Läsionen, hervorzuheben. "Ein Teil des KI-Systems versucht zu imitieren, wie Radiologen medizinische Bilder lesen, indem sie sie beschriften, während der andere Teil des Systems die Qualität der von der KI erzeugten beschrifteten Scans beurteilt, indem er sie mit den begrenzt beschrifteten Scans vergleicht, die von Radiologen geliefert werden", sagt Peiris.

Die Verfügbarkeit grosser kommentierter medizinischer Bilddatensätze sei oft begrenzt, da die manuelle Kommentierung vieler Bilder viel Aufwand, Zeit und Fachwissen erfordert. Ausserdem: "Diese Methode beruht auf der subjektiven Interpretation von Einzelpersonen, ist zeitaufwändig und fehleranfällig und verlängert die Wartezeiten für Patienten, die eine Behandlung wünschen", sagt Peiris.

Höhere Gesamtgenauigkeit

Der von den Monash-Forschern entwickelte Algorithmus ermögliche es mehreren KI-Modellen, die einzigartigen Vorteile von gelabelten und nicht gelabelten Daten zu nutzen und von den Vorhersagen der anderen zu lernen, um die Gesamtgenauigkeit zu verbessern.

"Bei den drei öffentlich zugänglichen medizinischen Datensätzen erzielten wir bei einem Anteil von 10 Prozent gelabelter Daten eine durchschnittliche Verbesserung von 3 Prozent im Vergleich zum letzten State-of-the-Art-Ansatz unter identischen Bedingungen", sagte Peiris.

Der Algorithmus habe "bahnbrechende Ergebnisse im Bereich des halbüberwachten Lernens erzielt und übertrifft damit die bisherigen Spitzenmethoden". Im Gegensatz zu Algorithmen, die auf grosse Mengen kommentierter Daten angewiesen seien, zeige er selbst bei begrenzten Annotationen eine bemerkenswerte Leistung. Dies ermögliche es den KI-Modellen, fundiertere Entscheidungen zu treffen, ihre ersten Einschätzungen zu validieren und genauere Diagnosen und Behandlungsentscheidungen zu treffen.

Die nächste Phase der Forschung der Monash University soll sich nun darauf konzentrieren, die Anwendung auf verschiedene Arten von medizinischen Bildern auszuweiten und ein End-to-End-Produkt zu entwickeln, das Radiologen in ihren Praxen einsetzen können.

Apropos KI in der Medizin: Lesen Sie hier das Interview mit Alex Geiger von der Klinikgruppe Hirslanden über Risiken und Nebenwirkungen, aber auch Chancen des Einsatzes von ChatGPT in der Medizin.

Webcode
76fLeJ9X