Home » Neue KI für Mammographie-Scans soll die menschliche Entscheidungsfindung unterstützen, anstatt sie zu ersetzen – –

Neue KI für Mammographie-Scans soll die menschliche Entscheidungsfindung unterstützen, anstatt sie zu ersetzen – –

by drbyos
0 comment

Computeringenieure und Radiologen an der Duke University haben eine Plattform für künstliche Intelligenz entwickelt, um potenziell krebsartige Läsionen in Mammographiescans zu analysieren und festzustellen, ob eine Patientin eine invasive Biopsie erhalten sollte. Aber im Gegensatz zu seinen vielen Vorgängern ist dieser Algorithmus interpretierbar, das heißt, er zeigt Ärzten genau, wie er zu seinen Schlussfolgerungen gekommen ist.

Die Forscher trainierten die KI, Läsionen zu lokalisieren und zu bewerten, genau wie ein echter Radiologe ausgebildet würde, anstatt ihr zu erlauben, ihre eigenen Verfahren frei zu entwickeln, was ihr mehrere Vorteile gegenüber ihren „Black Box“-Gegenstücken verschafft. Es könnte eine nützliche Trainingsplattform sein, um Studenten beizubringen, wie man Mammographiebilder liest. Es könnte auch Ärzten in dünn besiedelten Regionen auf der ganzen Welt helfen, die Mammographie-Scans nicht regelmäßig lesen, um bessere Entscheidungen für die Gesundheitsversorgung zu treffen.

Die Ergebnisse erschienen online am 15. Dezember in der Zeitschrift Natur-Maschinen-Intelligenz.

„Wenn ein Computer dabei helfen soll, wichtige medizinische Entscheidungen zu treffen, müssen Ärzte darauf vertrauen, dass die KI ihre Schlussfolgerungen auf etwas Sinnvolles stützt“, sagte Joseph Lo, Professor für Radiologie an der Duke University. „Wir brauchen Algorithmen, die nicht nur funktionieren, sondern sich selbst erklären und Beispiele dafür zeigen, worauf sie ihre Schlussfolgerungen stützen. Auf diese Weise hilft die KI, unabhängig davon, ob ein Arzt mit dem Ergebnis einverstanden ist oder nicht, bessere Entscheidungen zu treffen.“

Die Entwicklung von KI, die medizinische Bilder liest, ist eine riesige Industrie. Tausende unabhängiger Algorithmen existieren bereits, und die FDA hat mehr als 100 davon für den klinischen Einsatz zugelassen. Ob beim Lesen von MRT-, CT- oder Mammographie-Scans, jedoch verwenden die wenigsten von ihnen Validierungsdatensätze mit mehr als 1000 Bildern oder enthalten demografische Informationen. Dieser Mangel an Informationen, gepaart mit dem jüngsten Scheitern mehrerer bemerkenswerter Beispiele, hat viele Ärzte dazu veranlasst, den Einsatz von KI bei medizinischen Entscheidungen mit hohem Einsatz in Frage zu stellen.

In einem Fall schlug ein KI-Modell fehl, selbst wenn Forscher es mit Bildern trainierten, die von verschiedenen Einrichtungen mit unterschiedlicher Ausrüstung aufgenommen wurden. Anstatt sich ausschließlich auf die interessierenden Läsionen zu konzentrieren, lernte die KI, subtile Unterschiede zu nutzen, die durch die Ausrüstung selbst eingeführt wurden, um die Bilder zu erkennen, die von der Krebsstation kommen, und diesen Läsionen eine höhere Wahrscheinlichkeit zuzuordnen, dass sie krebsartig sind. Wie zu erwarten war, ließ sich die KI nicht gut auf andere Krankenhäuser übertragen, die andere Geräte verwendeten. Aber weil niemand wusste, was der Algorithmus bei der Entscheidungsfindung betrachtete, wusste niemand, dass er in realen Anwendungen scheitern würde.

“Unsere Idee war, stattdessen ein System zu bauen, das besagt, dass dieser spezifische Teil einer potenziellen Krebsläsion dieser anderen, die ich zuvor gesehen habe, sehr ähnlich sieht”, sagte Alina Barnett, Doktorandin für Informatik bei Duke und Erstautorin von die Studium. „Ohne diese expliziten Details verlieren Mediziner Zeit und Vertrauen in das System, wenn es keine Möglichkeit gibt zu verstehen, warum es manchmal Fehler macht.“

Cynthia Rudin, Professorin für Elektrotechnik und Computertechnik sowie Informatik bei Duke, vergleicht den Prozess der neuen KI-Plattform mit dem eines Immobiliengutachters. Bei den Black-Box-Modellen, die das Feld dominieren, würde ein Gutachter ohne jede Erklärung einen Preis für ein Haus angeben. In einem Modell, das eine sogenannte „Saliency Map“ enthält, könnte der Gutachter darauf hinweisen, dass das Dach und der Hinterhof eines Hauses Schlüsselfaktoren bei seiner Preisentscheidung waren, aber er würde keine darüber hinausgehenden Details liefern.

„Unsere Methode würde sagen, dass Sie ein einzigartiges Kupferdach und einen Hinterhofpool haben, die diesen anderen Häusern in Ihrer Nachbarschaft ähneln, wodurch ihre Preise um diesen Betrag gestiegen sind“, sagte Rudin. „So könnte Transparenz in der medizinischen Bildgebungs-KI aussehen und was die Mediziner bei jeder radiologischen Herausforderung fordern sollten.“

Die Forscher trainierten die neue KI mit 1.136 Bildern, die von 484 Patienten des Gesundheitssystems der Duke University aufgenommen wurden.

Sie brachten der KI zunächst bei, die betreffenden verdächtigen Läsionen zu finden und das gesamte gesunde Gewebe und andere irrelevante Daten zu ignorieren. Dann beauftragten sie Radiologen, die Bilder sorgfältig zu beschriften, um der KI beizubringen, sich auf die Ränder der Läsionen zu konzentrieren, wo die potenziellen Tumore auf gesundes umgebendes Gewebe treffen, und diese Ränder mit Rändern in Bildern mit bekannten krebsartigen und gutartigen Ergebnissen zu vergleichen.

Ausstrahlende Linien oder unscharfe Kanten, medizinisch als Massenränder bekannt, sind der beste Indikator für krebsartige Brusttumore und das erste, wonach Radiologen suchen. Das liegt daran, dass Krebszellen sich so schnell replizieren und ausdehnen, dass nicht alle Ränder eines sich entwickelnden Tumors in Mammogrammen gut zu sehen sind.

“Dies ist eine einzigartige Möglichkeit, eine KI darin zu trainieren, medizinische Bilder zu betrachten”, sagte Barnett. „Andere KIs versuchen nicht, Radiologen zu imitieren, sondern entwickeln eigene Methoden zur Beantwortung der Frage, die oft nicht hilfreich sind oder in einigen Fällen auf fehlerhaften Denkprozessen beruhen.“

Nach Abschluss des Trainings stellten die Forscher die KI auf die Probe. Obwohl es menschliche Radiologen nicht übertraf, war es genauso gut wie andere Black-Box-Computermodelle. Wenn die neue KI falsch liegt, können die damit arbeitenden Personen erkennen, dass sie falsch ist und warum sie den Fehler gemacht hat.

In Zukunft arbeitet das Team daran, weitere physikalische Eigenschaften hinzuzufügen, die die KI bei ihren Entscheidungen berücksichtigen kann, wie z. B. die Form einer Läsion, die ein zweites Merkmal ist, das Radiologen zu betrachten lernen. Rudin und Lo erhielten außerdem kürzlich einen Duke MEDx High-Risk High-Impact Award, um den Algorithmus weiterzuentwickeln und eine Radiologen-Leserstudie durchzuführen, um festzustellen, ob er die klinische Leistung und/oder das Vertrauen verbessert.

„Als Forscher zum ersten Mal begannen, KI auf medizinische Bilder anzuwenden, war die Aufregung groß, dass der Computer vielleicht in der Lage sein wird, etwas zu sehen oder herauszufinden, was die Menschen nicht konnten“, sagte Fides Schwartz, wissenschaftlicher Mitarbeiter bei Duke Radiology. „In einigen seltenen Fällen mag das der Fall sein, aber in den meisten Szenarien ist es wahrscheinlich nicht der Fall. Wir sollten also besser sicherstellen, dass wir als Menschen verstehen, auf welchen Informationen der Computer seine Entscheidungen basiert.“

Diese Forschung wurde von den National Institutes of Health/National Cancer Institute (U01-CA214183, U2C-CA233254), dem MIT Lincoln Laboratory, Duke TRIPODS (CCF-1934964) und dem Duke Incubation Fund unterstützt.

.

You may also like

Leave a Comment

This site uses Akismet to reduce spam. Learn how your comment data is processed.