Könnte künstliche Intelligenz die Zukunft der Krebsdiagnose sein?
In einer kürzlich durchgeführten Studie trainierten die Forscher einen Algorithmus zur Unterscheidung zwischen malignen und benignen Läsionen in Scans von Brustgewebe.
Eine neue Studie fragt, ob künstliche Intelligenz die Krebsdiagnose rationalisieren könnte.Bei Krebs liegt der Schlüssel zu einer erfolgreichen Behandlung darin, ihn frühzeitig zu erkennen.
Derzeit haben Ärzte Zugang zu qualitativ hochwertigen Bildgebungsverfahren, und erfahrene Radiologen können die verräterischen Anzeichen eines abnormalen Wachstums erkennen.
Nach der Identifizierung müssen die Ärzte im nächsten Schritt feststellen, ob das Wachstum gutartig oder bösartig ist.
Die zuverlässigste Methode ist die Durchführung einer Biopsie, bei der es sich um ein invasives Verfahren handelt.
Auch dann können Fehler auftreten. Einige Menschen erhalten eine Krebsdiagnose, wenn keine Krankheit vorliegt, während andere keine Diagnose erhalten, wenn Krebs vorliegt.
Beide Ergebnisse verursachen Stress, und die letztere Situation kann zu Verzögerungen bei der Behandlung führen.
Die Forscher sind bestrebt, den Diagnoseprozess zu verbessern, um diese Probleme zu vermeiden. Das Erkennen, ob eine Läsion bösartiger oder gutartiger ist, ist zuverlässiger und ohne die Notwendigkeit einer Biopsie wäre ein Spielveränderer.
Einige Wissenschaftler untersuchen das Potenzial der künstlichen Intelligenz (KI). In einer kürzlich durchgeführten Studie haben Wissenschaftler einen Algorithmus mit ermutigenden Ergebnissen trainiert.
KI und Elastographie
Die Ultraschallelastographie ist eine relativ neue Diagnosetechnik, mit der die Steifheit des Brustgewebes getestet wird. Dies wird erreicht, indem das Gewebe vibriert, wodurch eine Welle erzeugt wird. Diese Welle verursacht eine Verzerrung im Ultraschall und hebt Bereiche der Brust hervor, in denen sich die Eigenschaften vom umgebenden Gewebe unterscheiden.
Anhand dieser Informationen kann ein Arzt feststellen, ob eine Läsion krebsartig oder gutartig ist.
Obwohl diese Methode ein großes Potenzial hat, ist die Analyse der Ergebnisse der Elastographie zeitaufwändig, umfasst mehrere Schritte und erfordert die Lösung komplexer Probleme.
Kürzlich fragte eine Gruppe von Forschern der Viterbi School of Engineering an der Universität von Südkalifornien in Los Angeles, ob ein Algorithmus die Schritte reduzieren könne, die zum Zeichnen von Informationen aus diesen Bildern erforderlich sind. Sie veröffentlichten ihre Ergebnisse in der Zeitschrift Computermethoden in angewandter Mechanik und Technik.
Die Forscher wollten herausfinden, ob sie einen Algorithmus zur Unterscheidung zwischen malignen und benignen Läsionen bei Brustscans trainieren können. Interessanterweise versuchten sie dies zu erreichen, indem sie den Algorithmus eher mit synthetischen Daten als mit echten Scans trainierten.
Synthetische Daten
Auf die Frage, warum das Team synthetische Daten verwendet, sagt der Hauptautor Prof. Assad Oberai, dass es auf die Verfügbarkeit realer Daten ankommt. Er erklärt: "Bei der medizinischen Bildgebung haben Sie Glück, wenn Sie 1.000 Bilder haben. In solchen Situationen, in denen Daten knapp sind, werden solche Techniken wichtig. “
Die Forscher trainierten ihren Algorithmus für maschinelles Lernen, den sie als tiefes Faltungs-Neuronales Netzwerk bezeichnen, unter Verwendung von mehr als 12.000 synthetischen Bildern.
Am Ende des Prozesses war der Algorithmus auf synthetischen Bildern 100% genau; Als nächstes gingen sie zu realen Scans über. Sie hatten Zugang zu nur 10 Scans, von denen die Hälfte bösartige Läsionen und die andere Hälfte gutartige Läsionen aufwies.
„Wir hatten eine Genauigkeitsrate von ca. 80%. Als nächstes verfeinern wir den Algorithmus weiter, indem wir realere Bilder als Eingaben 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 der Algorithmus, wenn er ihn auf reale Daten trainiert hätte, möglicherweise eine verbesserte Genauigkeit gezeigt hätte. 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 hat das Interesse an der Verwendung von KI in der Diagnostik zugenommen. Wie ein Autor schreibt:
"AI wird erfolgreich für die Bildanalyse in der Radiologie, Pathologie und Dermatologie eingesetzt, wobei die diagnostische Geschwindigkeit die Genauigkeit von medizinischen Experten übertrifft und diese parallel ist."
Prof. Oberai glaubt jedoch nicht, dass KI jemals einen ausgebildeten menschlichen Bediener ersetzen kann. Er erklärt: „Der allgemeine Konsens ist, dass diese Arten von Algorithmen eine wichtige Rolle spielen, auch von Bildgebungsfachleuten, die am meisten davon betroffen sind. Diese Algorithmen sind jedoch am nützlichsten, wenn sie nicht als Black Box dienen. Was hat es gesehen, das es zum endgültigen Ergebnis geführt hat? Der Algorithmus muss erklärbar sein, damit er wie beabsichtigt funktioniert. “
Die Forscher hoffen, dass sie ihre neue Methode zur Diagnose anderer Krebsarten erweitern können. Wo immer ein Tumor wächst, verändert er das physikalische Verhalten eines Gewebes. Es sollte möglich sein, diese Unterschiede aufzuzeichnen 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 Krebsart überwinden. Prof. Oberai arbeitet bereits an CT-Scans von Nierenkrebs, um Wege zu finden, wie KI die Diagnose dort unterstützen kann.
Obwohl dies frühe Tage für den Einsatz von KI in der Krebsdiagnose sind, gibt es große Hoffnungen für die Zukunft.