Bildquelle: Monash University
News • Algorithmen unter sich
Bildgebung: KI fragt andere KI nach "Zweitmeinung"
Forscher der Monash University haben ein neues KI-Modell für die medizinische Bildgebung entwickelt, das den Prozess der Einholung einer zweiten Meinung effektiv nachahmen kann.
Wie die Forscher zum Hintergrund der jetzt in der Fachzeitschrift Nature Machine Intelligence veröffentlichten Forschungsarbeit berichten, zielt ihr Ansatz auf die begrenzte Verfügbarkeit medizinischer Bilder mit menschlichen Kommentaren oder Beschriftungen (Labels). Um dieser zu begegnen, entwickelten sie einen alternativen Lernansatz für nicht gekennzeichnete Daten. Hiervon versprechen sich die Wissenschaftler aus den Fakultäten für Ingenieurwesen und Informatik der Monash University einen Fortschritt für den Bereich der medizinischen Bildanalyse, von dem Radiologen und andere Gesundheitsexperten profitieren sollen.
Wie Doktorandin Himashi Peiris berichtet, zielt das Konzept darauf ab, zwei Komponenten eines "dual view"-Systems gewissermaßen in Wettbewerb zueinander zu setzen: "Ein Teil der KI versucht zu imitieren, wie Radiologen medizinische Bilder lesen, indem sie diese beschriften. Der andere Teil des Systems beurteilt daraufhin die Qualität der KI-erzeugten Label, indem er sie mit beschrifteten Scans von menschlichen Radiologen vergleicht", so Peiris. Üblicherweise beschriften Radiologen medizinische Scans von Hand, um relevante Bereiche wie Tumore hervorzuheben. Diese Beschriftungen können dann als Anleitung oder Überwachung für das Training von KI-Modellen herangezogen werden. "Diese Methode beruht auf der subjektiven Interpretation von Einzelpersonen und ist daher zeitaufwändig und fehleranfällig. Zudem wird dadurch die Wartezeit für Patienten verlängert, die auf eine Behandlung warten."
Im Gegensatz zu Algorithmen, die auf große Mengen gelabelter Daten angewiesen sind, zeigt er selbst bei begrenzten Annotationen eine bemerkenswerte Leistung
Himashi Peiris
Das von den Monash-Forschern entwickelte System ermöglicht es den Algorithmen, mit gelabelten und nicht gelabelten Daten zu arbeiten und von den Vorhersagen der jeweils anderen KI zu lernen, um eine höhere Gesamtgenauigkeit zu erzielen.
"Bei den drei öffentlich zugänglichen medizinischen Datensätzen erzielten wir bei einem Anteil von 10% gelabelter Daten eine durchschnittliche Verbesserung von 3% im Vergleich zu den bisher besten Ansätzen unter identischen Bedingungen", so Peiris. "Unser Algorithmus nutzt Techniken des halbüberwachten Lernens und übertrifft damit die bisherigen State-of-the-Art-Methoden. Im Gegensatz zu Algorithmen, die auf große Mengen gelabelter Daten angewiesen sind, zeigt er selbst bei begrenzten Annotationen eine bemerkenswerte Leistung. So kann die KI fundierter entscheiden, ihre ursprünglichen Einschätzungen validieren und genauere Diagnosen und Behandlungsentscheidungen treffen."
Als nächstes wollen die Forscher die Anwendung auf verschiedene Typen medizinischer Bilder ausweiten und ein eigenes End-to-End-Produkt entwickeln, das Radiologen in ihrer Praxis einsetzen können.
Quelle: Monash University
27.07.2023
