Krebsdiagnose per KI

Für die Behandlung von Krebs ist eine frühe Diagnose von höchster Bedeutung. Daher wäre auch die Fähigkeit, Läsionen ohne Biopsie als gut- oder bösartig zu erkennen, ein entscheidender Fortschritt. In einer aktuellen Studie nutzten ForscherInnen das Potential künstlicher Intelligenz und stießen bei der Programmierung eines Algorithmus auf vielversprechende Ergebnisse.

Studie nutzt Algorithmus zur Unterstützung der Brustkrebs-Diagnostik

Für die Behandlung von Krebs ist eine frühe Diagnose von höchster Bedeutung. Aus diesem Grund arbeiten WissenschaftlerInnen beständig daran, bessere Möglichkeiten der Diagnostik zu entwickeln. Daher wäre auch die Fähigkeit, Läsionen ohne Biopsie als gut- oder bösartig zu erkennen, ein entscheidender Fortschritt. In einer aktuellen Studie nutzten ForscherInnen das Potential künstlicher Intelligenz und stießen bei der Programmierung eines Algorithmus auf vielversprechende Ergebnisse.

Ein Forschungsteam der University of Southern California hat es sich zur Aufgabe gemacht, den zeitaufwendigen, viele Schritte umfassenden Prozess der Elastographie zu verkürzen. Dafür nutzen sie einen Algorithmus, um schneller Informationen aus den Aufnahmen gewinnen zu können.

Die ForscherInnen wollten feststellen, ob sich der Algorithmus darauf programmieren läst, bei Brust-Scans Unterschiede zwischen bösartigen und gutartigen Läsionen zu erkennen. Hierzu verwendeten sie Dieses statt echter Scans künstliche Daten.

Der Gebrauch synthetischer Daten

Als Grund für die Nutzung der künstlichen Daten nennt Professor Assad Oberai, Erstautor der Studie, die mangelnde Verfügbarkeit von reellen Daten: "In der medizinischen Bildgebung kann man sich glücklich schätzen, wenn man 1.000 Bilder zur Verfügung hat. In solchen Situationen, wo Daten rar gesät sind, ist es wichtig, auch synthetische Daten zu nutzen."

Für die Programmierung ihres maschinell lernenden Algorithmus, den sie als "Convolutional Neural Network" verstehen, nutzten die ForscherInnen über 12.000 künstliche Bilder. Gegen Ende des Prozesses lag der Algorithmus bei den synthetischen Bildern zu 100 Prozent richtig.

Im nächsten Schritt gingen die ForscherInnen zu realen Scans über. Hier lagen dem Forschungsteam lediglich 10 Bilder vor, von denen jeweils eine Hälfte bösartige und eine Seite gutartige Läsionen zeigte. Professor Oberai sagt: "Hier lag die Genauigkeitsrate bei 80 Prozent. Als nächstes arbeiten wir daran, den Algorithmus zu verfeinern, indem wir mehr echte Scans nutzen."

Die WissenschaftlerInnen gehen fest davon aus, dass sie eine bessere Genauigkeitsrate hätten erzielen können, hätte der Algorithmus Zugriff auf mehr echte Daten gehabt. Dabei gestehen die ForscherInnen auch ein, dass ihr Testumfang zu gering war, um die zukünftigen Fähigkeiten des Systems vorherzusagen.

Seit einigen Jahren besteht ein immer größer werdendes Interesse gegenüber dem Gebrauch von KI in der Diagnostik. Die StudienautorInnen schreiben: "Künstliche Intelligenz wird bereits erfolgreich für die Auswertung von Bildern in der der Radiologie, Pathologie und Dermatologie genutzt und übertrifft dabei oftmals im Hinblick auf Geschwindigkeit und Genauigkeit medizinische Experten."

Rolle von Algorithmen in der medizinischen Bildgebung wird immer bedeutsamer

Trotzdem glaubt Professor Oberai nicht daran, dass künstliche Intelligenz jemals ausgebildete MedizinerInnen ersetzen kann: "Der allgemeine Konsens liegt darin, dass solche Algorithmen eine bedeutsame Rolle spielen, besonders für Experten in der medizinischen Bildgebung, auf die KI den größten Einfluss haben wird. Trotzdem werden die Algorithmen immer dann am sinnvollsten sein, wenn sie nicht als Blackbox genutzt werden. Was diese Algorithmen gesehen haben und wie sie zu ihrer finalen Schlussfolgerung kamen, muss zu jeder Zeit verständlich sein, damit man mit ihnen arbeiten kann."

Die WissenschaftlerInnen hoffen, dass sie mit ihrer neuen Methode bald auch andere Krebsarten diagnostizieren können. Es sollte ihrer Ansicht nach möglich sein, die Veränderungen im Gewebe aufzuzeichnen und den Algorithmus darauf zu trainieren, diese zu erkennen.

Eine Einschränkung ist allerdings, dass aufgrund der unterschiedlichen Interaktionen von Krebs mit seiner Umwelt ein Algorithmus individuell für jede Krebsart Probleme überwinden muss. Derzeit arbeitet Professor Oberai an CT-Scans von Nierenkrebs, um herauszufinden, ob künstliche Intelligenz die Diagnostik hier unterstützen könnte.

Quelle:
Circumventing the solution of inverse problems in mechanics through deep learning: Application to elasticity imaging.
Dhruv Patel, Raghav Tibrewala, Adriana Vega, Li Dong, Nicholas Hugenberg, Assad A.Oberai
Computer Methods in Applied Mechanics and Engineering
Volume 353, 15 August 2019, Pages 448-466
https://doi.org/10.1016/j.cma.2019.04.045