Radiologen können in naher Zukunft mithilfe von KI Hirntumore erkennen

Ein in Biology Methods and Protocols veröffentlichter Artikel mit dem Titel „Deep Learning und Transfer Learning zur Erkennung und Klassifizierung von Hirntumoren“ besagt, dass Wissenschaftler Modelle künstlicher Intelligenz (KI) trainieren können, zwischen Hirntumoren und gesundem Gewebe zu unterscheiden. KI-Modelle können Hirntumoren in MRT-Bildern bereits fast so gut erkennen wie ein Radiologe.

Forscher haben stetige Fortschritte bei der Anwendung von KI in der Medizin erzielt. Besonders vielversprechend ist KI in der Radiologie, wo das Warten auf die Verarbeitung medizinischer Bilder durch Techniker die Behandlung von Patienten verzögern kann. Faltungsneuronale Netze sind leistungsstarke Werkzeuge, mit denen Forscher KI-Modelle anhand großer Bildmengen zur Erkennung und Klassifizierung trainieren können.

Auf diese Weise können Netzwerke „lernen“, zwischen Bildern zu unterscheiden. Sie verfügen außerdem über die Fähigkeit, „Lernen zu übertragen“. Wissenschaftler können ein für eine Aufgabe trainiertes Modell für ein neues, aber verwandtes Projekt wiederverwenden.

Obwohl für die Erkennung getarnter Tiere und die Klassifizierung von Gehirntumoren sehr unterschiedliche Bildtypen erforderlich sind, vermuten die Forscher, dass eine Parallele zwischen einem Tier, das sich dank natürlicher Tarnung versteckt, und einer Gruppe von Krebszellen besteht, die mit dem umgebenden gesunden Gewebe verschmelzen.

Der erlernte Prozess der Generalisierung – das Gruppieren verschiedener Objekte unter einer einzigen Kennung – ist wichtig, um zu verstehen, wie das Netzwerk getarnte Objekte erkennen kann. Dieses Lernen könnte insbesondere für die Erkennung von Tumoren nützlich sein.

In dieser retrospektiven Studie öffentlich verfügbarer MRT-Daten untersuchten die Forscher, wie neuronale Netzwerkmodelle anhand von Daten zu Hirnkrebs trainiert werden könnten. Dazu führten sie einen einzigartigen Transferlernschritt zur Erkennung getarnter Tiere ein, um die Tumorerkennungsfähigkeiten des Netzwerks zu verbessern.

Mithilfe von MRTs aus öffentlich verfügbaren Online-Krebsdatenquellen und Kontrollbildern gesunder Gehirne (darunter Kaggle, das NIH Cancer Image Archive und das VA Health System in Boston) trainierten die Forscher Netzwerke, um zwischen gesunden und krebsartigen MRTs zu unterscheiden, den vom Krebs betroffenen Bereich und das prototypische Erscheinungsbild von Krebs (Krebstumortyp) zu identifizieren.

Die Forscher stellten fest, dass die Netzwerke normale Gehirnbilder nahezu perfekt identifizieren konnten, mit nur ein oder zwei falsch-negativen Ergebnissen, und zwischen krebsartigen und gesunden Gehirnen unterscheiden konnten. Das erste Netzwerk zeigte eine durchschnittliche Genauigkeit von 85,99 % bei der Erkennung von Hirntumoren, während das zweite eine Genauigkeit von 83,85 % erreichte.

Ein wesentliches Merkmal des Netzwerks sind die vielfältigen Erklärungsmöglichkeiten seiner Entscheidungen. Dies stärkt das Vertrauen von Medizinern und Patienten in die Modelle. Tiefe Modelle sind oft nicht transparent genug. Mit der Weiterentwicklung des Fachgebiets wird die Fähigkeit, die Entscheidungen von Netzwerken zu erklären, immer wichtiger.

Dank dieser Forschung kann das Netzwerk nun Bilder erzeugen, die bestimmte Bereiche der Tumorklassifizierung als positiv oder negativ darstellen. Dadurch können Radiologen ihre Entscheidungen anhand der Ergebnisse des Netzwerks überprüfen und so die Sicherheit erhöhen, als ob ein zweiter „Roboter“-Radiologe in der Nähe wäre und auf den Bereich des MRT zeigt, der einen Tumor anzeigt.

In Zukunft wird es nach Ansicht der Forscher wichtig sein, sich auf die Erstellung tiefer Netzwerkmodelle zu konzentrieren, deren Entscheidungen intuitiv beschrieben werden können, damit die KI in der klinischen Praxis eine transparente unterstützende Rolle spielen kann.

Obwohl die Netzwerke in allen Fällen Schwierigkeiten hatten, zwischen Hirntumortypen zu unterscheiden, zeigten sich deutliche Unterschiede in der Darstellung der Daten innerhalb des Netzwerks. Genauigkeit und Übersichtlichkeit verbesserten sich, als die Netzwerke auf die Erkennung von Tarnmustern trainiert wurden. Transferlernen führte zu einer höheren Genauigkeit.

Obwohl das beste getestete Modell 6 % weniger genau war als die standardmäßige menschliche Erkennung, demonstriert die Studie erfolgreich die quantitative Verbesserung, die durch dieses Lernparadigma erreicht wurde. Die Forscher sind überzeugt, dass dieses Paradigma, gepaart mit der umfassenden Anwendung von Erklärbarkeitsmethoden, dazu beitragen wird, die notwendige Transparenz in die zukünftige klinische KI-Forschung zu bringen.

„Fortschritte in der KI ermöglichen es, Muster genauer zu erkennen und zu entdecken“, sagte der Hauptautor des Artikels, Arash Yazdanbakhsh.

Dies wiederum verbessert die bildbasierte Diagnostik und das Screening, erfordert aber auch mehr Erklärungen darüber, wie die KI eine Aufgabe ausführt. Das Streben nach Erklärbarkeit von KI verbessert die Mensch-KI-Interaktion im Allgemeinen. Dies ist besonders wichtig zwischen medizinischem Fachpersonal und KI, die für medizinische Zwecke entwickelt wurde.

„Klare und erklärbare Modelle eignen sich besser, um die Diagnose zu unterstützen, den Krankheitsverlauf zu verfolgen und die Behandlung zu überwachen.“