Automatische Übersetzung anzeigen
Dies ist eine automatisch generierte Übersetzung. Wenn Sie auf den englischen Originaltext zugreifen möchten, klicken Sie hier
#Neues aus der Industrie
{{{sourceTextContent.title}}}
Könnte künstliche Intelligenz die Zukunft der Krebsdiagnose sein?
{{{sourceTextContent.subTitle}}}
In einer aktuellen Studie haben die Forscher einen Algorithmus zur Unterscheidung zwischen bösartigen und gutartigen Läsionen bei Scans von Brustgewebe entwickelt.
{{{sourceTextContent.description}}}
Beim Krebs liegt der Schlüssel zum Behandlungserfolg darin, ihn frühzeitig zu erkennen.
So wie es aussieht, haben Ärzte Zugang zu qualitativ hochwertiger Bildgebung, und erfahrene Radiologen können die verräterischen Anzeichen eines abnormalen Wachstums erkennen.
Einmal identifiziert, ist der nächste Schritt für die Ärzte, um festzustellen, ob das Wachstum gutartig oder bösartig ist.
Die zuverlässigste Methode ist die Durchführung einer Biopsie, die ein invasives Verfahren ist.
Schon dann können Fehler auftreten. Einige Menschen erhalten eine Krebsdiagnose, wenn es keine Krankheit gibt, während andere keine Diagnose erhalten, wenn Krebs vorliegt.
Beide Ergebnisse verursachen Leiden, und die letztgenannte Situation kann zu Verzögerungen bei der Behandlung führen.
Die Forscher sind bestrebt, den Diagnoseprozess zu verbessern, um diese Probleme zu vermeiden. Die Erkennung, ob eine Läsion bösartig oder gutartig ist, zuverlässiger und ohne Biopsie wäre ein entscheidender Schritt.
Einige Wissenschaftler untersuchen das Potenzial der künstlichen Intelligenz (KI). In einer aktuellen Studie haben Wissenschaftler einen Algorithmus mit ermutigenden Ergebnissen trainiert.
KI und Elastographie
Die Ultraschall-Elastographie ist eine relativ neue diagnostische Technik, die die Steifigkeit von Brustgewebe testet. Erreicht wird dies durch die Vibration des Gewebes, die eine Welle erzeugt. Diese Welle verursacht Verzerrungen im Ultraschallbild und hebt Bereiche der Brust hervor, in denen sich die Eigenschaften vom umgebenden Gewebe unterscheiden.
Aus diesen Informationen kann ein Arzt feststellen, ob eine Läsion krebskrank oder gutartig ist.
Obwohl diese Methode ein großes Potenzial hat, ist die Analyse der Ergebnisse der Elastographie zeitaufwendig, umfasst mehrere Schritte und erfordert die Lösung komplexer Probleme.
Vor kurzem fragte eine Gruppe von Forschern der Viterbi School of Engineering an der University of Southern California in Los Angeles, ob ein Algorithmus die Schritte reduzieren könnte, die erforderlich sind, um Informationen aus diesen Bildern zu gewinnen. Sie veröffentlichten ihre Ergebnisse in der Zeitschrift Computer Methods in Applied Mechanics and Engineering.
Die Forscher wollten sehen, ob sie einen Algorithmus trainieren können, um bei Brustscans zwischen bösartigen und gutartigen Läsionen zu unterscheiden. Interessanterweise versuchten sie dies zu erreichen, indem sie den Algorithmus mit synthetischen Daten und nicht mit echten Scans trainierten.
Synthetische Daten
Auf die Frage, warum das Team synthetische Daten verwendet hat, antwortet Hauptautor Prof. Assad Oberai, dass es auf die Verfügbarkeit von realen Daten ankommt. Er erklärt: "Bei der medizinischen Bildgebung hat man Glück, wenn man 1.000 Bilder hat. In Situationen wie dieser, in denen Daten knapp sind, werden solche Techniken wichtig."
Die Forscher trainierten ihren maschinellen Lernalgorithmus, den sie als tiefes neuronales Faltungsnetzwerk bezeichnen, mit mehr als 12.000 synthetischen Bildern.
Am Ende des Prozesses war der Algorithmus bei synthetischen Bildern 100% genau; als nächstes wechselten sie zu echten Scans. Sie hatten Zugang zu nur 10 Scans, von denen die Hälfte bösartige Läsionen und die andere Hälfte gutartige Läsionen zeigte.
"Wir hatten eine Genauigkeit von etwa 80%. Als nächstes verfeinern wir den Algorithmus weiter, indem wir mehr Bilder aus der realen Welt als Input verwenden."
Prof. Assad Oberai
Obwohl 80% gut sind, ist es nicht gut genug - dies ist jedoch nur der Anfang des Prozesses. Die Autoren glauben, dass, wenn sie den Algorithmus an realen Daten trainiert hätten, er eine verbesserte Genauigkeit gezeigt haben könnte. Die Forscher erkennen auch an, dass ihr Test zu klein war, um die zukünftigen Fähigkeiten des Systems vorherzusagen.
Das Wachstum der KI
In den letzten Jahren ist das Interesse an der Anwendung der KI in der Diagnostik gestiegen. Wie ein Autor schreibt:
"Die KI wird erfolgreich für die Bildanalyse in der Radiologie, Pathologie und Dermatologie eingesetzt, wobei die diagnostische Geschwindigkeit die medizinischen Experten übertrifft und die Genauigkeit parallel dazu steigt."
Prof. Oberai glaubt jedoch nicht, dass die KI jemals einen ausgebildeten menschlichen Bediener ersetzen kann. Er erklärt, dass "[t]he allgemeiner Konsens ist, dass diese Art von Algorithmen eine wichtige Rolle spielen, auch von Imaging-Profis, die am meisten davon betroffen sein werden. Diese Algorithmen werden jedoch am nützlichsten sein, wenn sie nicht als Blackboxen dienen. Was hat sie gesehen, das sie zum endgültigen Abschluss gebracht hat? Der Algorithmus muss erklärbar sein, damit er wie vorgesehen funktioniert."
Die Forscher hoffen, dass sie ihre neue Methode zur Diagnose anderer Krebsarten erweitern können. Wo immer ein Tumor wächst, verändert er das Verhalten eines Gewebes physisch. Es sollte möglich sein, diese Unterschiede zu erfassen und einen Algorithmus zu trainieren, um sie zu erkennen.
Da jedoch jede Krebsart so unterschiedlich mit ihrer Umgebung interagiert, muss ein Algorithmus eine Reihe von Problemen für jede Art überwinden. Prof. Oberai arbeitet bereits an CT-Scans von Nierenkrebs, um Wege zu finden, wie die KI dort die Diagnose unterstützen könnte.
Obwohl es sich hierbei um frühe Tage für den Einsatz von KI in der Krebsdiagnostik handelt, gibt es große Hoffnungen für die Zukunft.