Die medizinische Bildgebung ist ein komplexer Bereich, in dem die Interpretation der Ergebnisse schwierig sein kann.
KI-Modelle können Ärzte bei der Analyse von Bildern unterstützen, die auf krankheitsrelevante Anomalien hinweisen könnten.
Die Sache hat jedoch einen Haken: Diese KI-Modelle bieten in der Regel nur eine einzige Lösung an, während medizinische Bilder in der Realität oft mehrere Interpretationen zulassen.
Wenn Sie fünf Experten bitten, einen Bereich von Interesse zu skizzieren, z. B. einen kleinen Knoten in einem Lungenscan, erhalten Sie möglicherweise fünf verschiedene Zeichnungen, da jeder von ihnen seine eigene Meinung dazu hat, wo der Knoten beginnt und wo er endet.
Um dieses Problem zu lösen, haben Forscher des MIT, des Broad Institute of MIT Harvard und des Massachusetts General Hospital Tyche entwickelt, ein KI-System, das die Mehrdeutigkeit bei der Segmentierung medizinischer Bilder berücksichtigt.
Bei der Segmentierung geht es um die Kennzeichnung bestimmter Pixel in einem medizinischen Bild, die wichtige Strukturen, wie Organe oder Zellen, darstellen.
Marianne Rakic, Doktorandin der Computerwissenschaften am MIT und Hauptautorin der Studie StudieEr erklärt: "Optionen zu haben, kann bei der Entscheidungsfindung helfen. Schon allein der Umstand, dass ein medizinisches Bild mit Unsicherheiten behaftet ist, kann die Entscheidungen beeinflussen, daher ist es wichtig, diese Unsicherheit zu berücksichtigen.
Tyche, benannt nach der griechischen Göttin des Zufalls, erzeugt mehrere mögliche Segmentierungen für ein einzelnes medizinisches Bild, um Mehrdeutigkeiten zu erfassen.
Jede Segmentierung hebt leicht unterschiedliche Regionen hervor, so dass die Nutzer die für ihre Bedürfnisse am besten geeignete auswählen können.
Rakic erzählt MIT-NachrichtenWenn man mehrere Kandidaten ausgibt und sicherstellt, dass sie sich voneinander unterscheiden, hat man einen echten Vorteil.
Wie funktioniert Tyche also? Lassen Sie es uns in vier einfache Schritte unterteilen:
- Lernen durch Vorbild: Die Benutzer geben Tyche eine kleine Menge von Beispielbildern, die so genannte "Kontextmenge", die die gewünschte Segmentierungsaufgabe zeigen. Diese Beispiele können Bilder enthalten, die von verschiedenen menschlichen Experten segmentiert wurden, um dem Modell zu helfen, die Aufgabe und das Potenzial für Mehrdeutigkeit zu verstehen.
- Optimierungen des neuronalen Netzes: Die Forscher änderten eine Standardarchitektur eines neuronalen Netzes, damit Tyche mit Unsicherheiten umgehen kann. Sie passten die Schichten des Netzes so an, dass die in jedem Schritt erzeugten potenziellen Segmentierungen miteinander und mit den Kontextbeispielen "kommunizieren" konnten.
- Mehrere Möglichkeiten: Tyche ist so konzipiert, dass es mehrere Vorhersagen auf der Grundlage eines einzigen medizinischen Bildes und der Kontextmenge ausgibt.
- Qualität wird belohnt: Der Trainingsprozess wurde so optimiert, dass Tyche für die bestmögliche Vorhersage belohnt wird. Wenn der Nutzer fünf Vorhersagen anfordert, kann er alle fünf von Tyche erstellten Segmentierungen medizinischer Bilder sehen, auch wenn eine davon besser sein könnte.
Eine der größten Stärken von Tyche ist seine Anpassungsfähigkeit. Es kann neue Segmentierungsaufgaben übernehmen, ohne dass es von Grund auf neu geschult werden muss.
Normalerweise verwenden KI-Modelle für die Segmentierung medizinischer Bilder neuronale Netze, die umfangreiches Training auf großen Datensätzen und Fachwissen über maschinelles Lernen erfordern.
Im Gegensatz dazu kann Tyche "out of the box" für verschiedene Aufgaben eingesetzt werden, von der Erkennung von Lungenläsionen in Röntgenbildern bis zur Identifizierung von Hirnanomalien in MRTs.
Im Bereich der medizinischen KI-Bildgebung wurden zahlreiche Studien durchgeführt, darunter wichtige Durchbrüche bei Brustkrebs-Screening und KI-Diagnostik, die Spiel oder sogar Ärzte schlagen bei der Interpretation von Bildern.
Mit Blick auf die Zukunft plant das Forschungsteam, die Verwendung flexiblerer Kontextsätze zu untersuchen, die möglicherweise Text oder mehrere Arten von Bildern enthalten.
Außerdem wollen sie Möglichkeiten entwickeln, um die schlechtesten Vorhersagen von Tyche zu verbessern und das System in die Lage zu versetzen, die besten Segmentierungskandidaten zu empfehlen.
