Artikel • KI ohne Vorurteile
Deep Learning gegen Diskriminierung im Brustkrebs-Screening
Künstliche Intelligenz (KI) kann dazu beitragen, Benachteiligungen und Voreingenommenheiten (Bias) in der Gesundheitsversorgung zu erkennen und zu mindern, sie wirft aber auch ganz eigene Probleme auf, erklärten die Teilnehmer einer Hot Topic Session beim RSNA 2020 mit dem Titel „Artificial Intelligence and Implications for Health Equity: Will AI Improve Equity or Increase Disparities?“. Zwei führende Forscherinnen zeigten auf, wie mithilfe von Deep Learning Bias in Bezug auf ethnische Zugehörigkeit und andere Faktoren reduziert werden kann, mit dem Ziel, nach der Pandemie Risikopatientinnen prioritär zum Mammographie-Screening einzuladen.
Bericht: Mélisande Rouger
Ein rein bildbasiertes Modell für die Brustkrebs-Prädiktion
Constance Lehman, Professorin für Radiologie an der Harvard Medical School, präsentierte einen Algorithmus, den sie gemeinsam mit Regina Barzilay, Professorin für Informatik und elektrische Energietechnik am MIT Institute of Medical Engineering & Science, entwickelt hat, und der das Brustkrebsrisiko einer Frau alleinig anhand ihres Mammogramms vorhersagen soll.
Die beiden Wissenschaftlerinnen, die seit 2016 zusammenarbeiten, möchten herausfinden, ob und inwieweit KI in der Lage ist, das Brustkrebsrisiko einer Frau vorherzusagen. Dabei fanden sie Belege dafür, dass KI die Gleichbehandlung in der Gesundheitsversorgung verbessern kann. „Es ist ein Mythos, dass KI Bias einschleust, oder schlimmer, die Diskriminierung in der Gesundheitsversorgung verschlimmert. In unserer Forschung haben wir umfangreiche Beweise gesammelt, dass KI Benachteiligung mindern kann“, so Lehman.
Die beiden Professorinnen haben aber auch festgestellt, dass Deep Learning (DL) mehr kann, als das Krebsrisiko vorherzusagen: Risikofaktoren individueller Frauen können mithilfe von DL anhand eines Mammogramms ermittelt werden. „Laut National Cancer Institute wird in diesem Jahr bei etwa 2 Millionen Frauen in den USA Brustkrebs diagnostiziert, die Auswirkungen von Brustkrebs auf farbige Frauen sind allerdings signifikant anders als bei weißen Frauen”, erklärte sie.
Lehman und Barzilay entwickelten ein DL-Modell, das Informationen aus allen vier Aufnahmen einer Standardmammografie zieht. Aus diesem aggregierten Mammogramm werden dann die Risikofaktoren ermittelt. Darüber hinaus wird berechnet, ob bei der Frau innerhalb eines Jahres wahrscheinlich Krebs entstehen wird. „Das Modell kommt ohne Informationen über Familie und Schwangerschaften oder frühere Biopsien aus, sondern orientiert sich ausschließlich am Mammogramm. Dieser rein bildbasierte Ansatz erzielt bessere Ergebnisse als andere Modelle und fördert die Gleichbehandlung der Frauen aller ethnischen Gruppen“, so Lehman.
Kampf gegen die Auswirkungen von Covid-19
Täglich wurden mehr als 100.000 Mammografien abgesagt. Zur Zeit bemühen wir uns stark, diese Frauen zur Vorsorge zurückzuholen
Constance Lehman
Weltweit wurden aufgrund der Pandemie Tausende von Mammografien abgesagt. Jetzt überlegen die Leistungserbringer, wie sie den Backlog im Brustkrebs-Screening abarbeiten können. An ihrer Universität führte Lehman eine AI-gestützte, risikobasierte Analyse durch, um herauszufinden, welche Frauen zuerst erneut zur Mammografie eingeladen werden sollten. „Während der Coronapandemie wurden zum ersten Mal in der Geschichte des Brustkrebs-Screenings Mammografien ausgesetzt. Täglich wurden mehr als 100.000 Mammografien abgesagt. Zur Zeit bemühen wir uns stark, diese Frauen zur Vorsorge zurückzuholen“, erläuterte sie.
Lehman möchte vor allem verhindern, dass demografische Faktoren beeinflussen, welche Patientinnen untersucht werden, denn sie hat bereits festgestellt, dass die Zahl der farbigen Frauen, die zur Vorsorge-Mammografie zurückkommen, drastisch gesunken ist. KI könnte helfen, diese Frauen wieder zu erreichen. „Wenn wir uns auf risikobasiertes Screening anhand von DL-Modellen konzentrieren, könnten wir die inhärente Diskriminierung der herkömmlichen Risikomodelle vermeiden und den Trend bei der Zunahme der Brustkrebs-Morbidität und -Mortalität aufgrund von Covid-19 tatsächlich umkehren“, sagte sie.
Robuste KI im Dienste der Gleichbehandlung
Belegt ist, dass Phänomene wie die Störvarianz zu Bias in klinischen KI-Systemen beitragen. Laut Barzilay gibt es aber Strategien zur Bekämpfung dieses Problems. So muss zuerst sichergestellt werden, dass die Daten korrekt, divers und repräsentativ für die Gesamtpopulation sind. „Ein bildbasiertes Modell, das mit Daten einer vielfältigen Population trainiert wurde, kann das Risiko in unterschiedlichen Gruppen sehr präzise und konsistent ermitteln“, fügte sie hinzu.
Leider werden diese Modelle heute noch nicht standardmäßig an unterschiedlichen demografischen Gruppen getestet – ein Versäumnis, das die Medizininformatik-Community, so Barzilay, unbedingt abstellen sollte.
Eine weitere Möglichkeit, Bias auszuräumen, sind algorithmische Lösungen. So schulen KI-Teams bereits Modelle darin, effektiv auf Bias zu reagieren, die aus Störvarianzen aufgrund der unterschiedlichen Bildgebungssysteme entstehen.
Barzilays und Lehmans Algorithmus „ermöglicht es, Bilder so zu codieren, dass die Maschine sie gleich behandelt, auch wenn sie von unterschiedlichen Geräten aufgenommen wurden. Der Algorithmus berechnet Unterschiede anhand der Malignität, nicht anhand der Geräte“, erklärte sie. Letztendlich aber sind und bleiben es Menschen, nicht Maschinen, die klinische Entscheidungen treffen. Sie sollten daher verstehen, wie die Maschine vorgeht und alle möglichen Bias einkalkulieren, die eine Maschine potenziell einführen könnte, fügte Barzilay hinzu. „Modelle, deren Logik für Menschen verständlich ist, wären schon eine Hilfe“, sagte sie.
Profile:
Constance Lehman, MD, PhD ist Professorin für Radiologie an der Harvard Medical School, Leiterin der Brustbildgebung und Ko-Direktorin des Avon Comprehensive Breast Evaluation Center am Massachusetts General Hospital in Boston. Sie ist Mitglied verschiedener nationaler Ausschüsse, u. a. des Brustkrebsausschusses des National Cancer Institute und des Lenkungsausschusses des National Comprehensive Cancer Network. Sie war Studienleiterin bzw. Ko-Studienleiterin verschiedener uni- und multizentrischer klinischer Studien zu Brust-MRT, Mammografie und Ultraschall. Sie ist Autorin und Ko-Autorin von mehr als 200 wissenschaftlichen Peer-Reviewed-Artikeln.
Regina Barzilay ist Professorin für Informatik und elektrische Energietechnik und Mitarbeiterin des Computer Science and Artificial Intelligence Laboratory am Massachusetts Institute of Technology (MIT). Ihre Forschungsinteressen sind die maschinelle Verarbeitung natürlicher Sprache, Wirkstoffforschung und klinische KI. In Zusammenarbeit mit Ärzten und Studierenden entwickelt sie Deep Learning-Modelle, die anhand von Bildern, Text und strukturierten Daten Trends erkennen, die die Früherkennung, Behandlung und Prävention in der Onkologie beeinflussen.
15.01.2021
