Inhalt
newsletter Newsletter
DEEP MINDS Podcast
Podcast über Künstliche Intelligenz und Wissenschaft
Bewusstsein, Kognition und Künstliche Intelligenz | DEEP MINDS #10

Eine Diagnose-KI soll bei der Identifikation von Hirntumoren helfen. Sie erreicht hohe Genauigkeiten bei sechs häufigen Tumorarten.

Bei der Diagnose von Hirntumoren spielt die Biopsie eine entscheidende Rolle. Bei dieser wird Patient:innen eine dünne Schicht Tumorgewebe entnommen, anhand der die Art des Tumors identifiziert werden kann. Die Entnahme umfasst zwar nur einen winzigen Teilbereich des kompletten Tumorgewebes und die Komplikationsrate ist gering, dennoch ist die Methode hochinvasiv.

MRT bietet eine alternative Diagnosemethode, bei der die Radiologie jedoch vor der Klassifizierung die Ausbreitung des Tumors zeitaufwendig im Scan abgrenzen muss. In einer neuen Forschungsarbeit zeigen Forschende nun ein KI-System, das Menschen bei der Diagnose per MRT unterstützen soll.

Bildanalyse-KI erkennt sechs häufige Tumorarten

Die Bildanalyse-KI setzt auf die weit verbreitete CNN-Architektur und erkennt Tumore direkt in den MRT-Bildern. Die KI erkennt tumorfreies Gewebe sowie sechs häufige Arten von Hirntumoren: hoch- und niedriggradige Gliome, Meningeome, Hypophysenadenome, Akustikusneurinome und Hirnmetastasen. Nach der Veröffentlichung ist es das erste KI-System, das Tumore direkt in den dreidimensionalen Aufnahmen erkennen kann.

Anzeige
Unterstütze unsere unabhängige, frei zugängliche Berichterstattung. Jeder Betrag hilft und sichert unsere Zukunft. Jetzt unterstützen:
Banküberweisung

Die Forschenden trainierten das KI-System mit knapp 1.400 Aufnahmen der sechs Tumorarten und von gesundem Gewebe. Nach dem Training testeten sie das System mit knapp 360 Aufnahmen. Das KI-System identifizierte die sechs Tumorarten mit knapp 93-prozentiger Genauigkeit. Die Wahrscheinlichkeit, dass Patienten tatsächlich die diagnostizierte Tumorart hatten, lag bei 85 bis 100 Prozent.

Das KI-System produzierte außerdem nur wenige falsch-negative Ergebnisse. So lag die Wahrscheinlichkeit, dass Patienten, die negativ auf eine bestimmte Tumorart getestet wurden, diese Krankheit nicht hatten, bei 98 bis 100 Prozent.

Eine möglichst geringe Zahl an falsch-negativen Ergebnissen ist gerade in der medizinischen Diagnostik wichtig, da andernfalls erkrankte Menschen fälschlicherweise als gesund eingestuft werden könnten.

Diagnose-KI kommt auch mit Daten außerhalb des Trainingssatzes zurecht

Die Forschenden testeten ihr System außerdem mit einem externen Datensatz, der nicht aus den gleichen Quellen wie die Trainingsdaten stammt.

„Da Deep-Learning-Modelle sehr empfindlich auf Daten reagieren, ist es mittlerweile Standard, ihre Leistung anhand eines unabhängigen Datensatzes zu validieren, der aus einer völlig anderen Quelle stammt, um zu sehen, wie gut sie verallgemeinern“, so Mitautor Satrajit Chakrabarty.

Empfehlung

Das KI-System erreichte auch im externen Datensatz eine hohe Genauigkeit von knapp 92 Prozent. Die Ergebnisse deuten an, dass das KI-System menschlichen Expert:innen bei der Diagnose der sechs Tumorarten helfen könnte. Laut den Forschenden gibt es jedoch noch einige Einschränkungen, darunter die Fehlklassifizierung der Tumorart bei zu geringem Bildkontrast.

Das Team will diese Schwächen in Zukunft mit mehr Trainingsdaten beheben und weitere Tumorarten erkennen.

Weiterlesen über KI in der Medizin:

Anzeige
Unterstütze unsere unabhängige, frei zugängliche Berichterstattung. Jeder Betrag hilft und sichert unsere Zukunft. Jetzt unterstützen:
Banküberweisung
Community beitreten
Kommt in die DECODER-Community bei Discord,Reddit, Twitter und Co. - wir freuen uns auf euch!
Unterstütze unsere unabhängige, frei zugängliche Berichterstattung. Jeder Betrag hilft und sichert unsere Zukunft. Jetzt unterstützen:
Banküberweisung
Quellen
Max ist leitender Redakteur bei THE DECODER. Als studierter Philosoph beschäftigt er sich mit dem Bewusstsein, KI und der Frage, ob Maschinen wirklich denken können oder nur so tun als ob.
Community beitreten
Kommt in die DECODER-Community bei Discord,Reddit, Twitter und Co. - wir freuen uns auf euch!