Der Deep-Learning-Algorithmus diagnostiziert Hautkrebs nicht schlechter als ein qualifizierter Dermatologe

Deep Learning ist eine vielversprechende Methode zum Unterrichten von Algorithmen, die in einer Vielzahl von Bereichen (Informationssicherheit, Analyse von Forschungsergebnissen, Bilderkennung) eingesetzt wird. Bei der Bilderkennung geht es nicht nur darum, dass die Maschine eine Katze von einem Hund unterscheiden kann, wie dies beim neuronalen Google- Netzwerk der Fall war . Nein, eine ähnliche Technologie kann in der Medizin, insbesondere in der Onkologie, nützlich sein.

Wissenschaftler aus Stanford haben ein System geschaffenDies kann durch Analyse eines Fotos der Haut des Patienten diagnostiziert werden. Jüngste Tests haben beeindruckende Ergebnisse gezeigt: Der Algorithmus wurde genauso genau diagnostiziert wie Dermatologen mit umfassender Erfahrung und ernsthaften Qualifikationen. Um die Fähigkeiten der Technologie zu vergleichen, baten die Autoren des Projekts darum, von professionellen Dermatologen (mit Überprüfung der Diagnose) eine Diagnose anhand des Bildes der Hautbereiche verschiedener Personen zu erstellen. Anschließend wurden der Maschine dieselben Bilder gezeigt.

"Wir haben einen sehr leistungsfähigen Deep-Learning-Algorithmus entwickelt, der mithilfe von Daten lernen kann", sagte Andre Esteva, einer der Autoren der Studie. "Anstatt ein solches System fest zu programmieren, lassen wir es selbst Entscheidungen treffen."

Der Algorithmus wird als "tiefes Faltungsnetzwerk" bezeichnet. Seine Funktionen basieren auf Google Brain., ein Google-Projekt zur Erforschung der Leistungsfähigkeit des maschinellen Lernens. Die Rechenleistung des Google Brain-Systems ermöglicht es Drittentwicklern, verschiedene Projekte für maschinelles Lernen zu erstellen. Als die Wissenschaftler mit der Arbeit begannen, konnte das neuronale Netzwerk mehr als 1,28 Millionen Objekte in Bildern identifizieren, die in mehrere tausend verschiedene Kategorien unterteilt waren. Die Forscher hatten jedoch ein klares Ziel: Sie mussten das neuronale Netzwerk trainieren, um Karzinome und seborrhoische Keratosen korrekt zu identifizieren, und das System lehren, diese beiden Krankheiten anhand von Bildern mit Bereichen betroffener menschlicher Haut voneinander zu unterscheiden.

Darüber hinaus musste der Computer diese Elemente von normalen Altersflecken, Hautausschlägen und anderen möglichen Veränderungen der Hautstruktur unterscheiden. Ein Arzt mit viel Wissen und Erfahrung kann dies fast fehlerfrei tun. Und Wissenschaftler haben es sich zur Aufgabe gemacht, einen solchen Fachmann aus dem neuronalen Netz zu „erziehen“.



Das Problem war auch, dass die Spezialisten keine ausreichend große Stichprobe hattenBilder zum Trainieren des Systems. Daher mussten sie selbst eine Bilddatenbank erstellen. „Wir haben Fotos aus dem Internet gesammelt und Ärzte gebeten, uns beim Sortieren der Bilder zu helfen“, sagt einer der Autoren der Studie. Die Autoren machten einige Bilder von fremden Seiten, so dass es manchmal einfach unmöglich war zu verstehen, was in der Beschreibung geschrieben stand, da die Begleittexte in Arabisch, Deutsch, Latein und anderen Sprachen verfasst waren.



Um den Zustand des Hautbereichs des Patienten zu untersuchen, verwenden Dermatologen häufig ein medizinisches Instrument, das als Dermatoskop bezeichnet wird. Es gibt einen gewissen Grad an Erhöhung, so dass der Arzt die Haut im Detail sehen kann. Das Gerät liefert ungefähr das gleiche „Bild“, sodass ein mit diesem Werkzeug aufgenommenes Foto eines Hautbereichs für jeden Dermatologen aus jedem Land der Welt verständlich ist. Leider wurden für die Studienteilnehmer nicht alle Fotos aus dem Internet mit einem Dermatoskop aufgenommen. Der Aufnahmewinkel, die Beleuchtung, der Grad der Erhöhung - das alles war anders.

Infolgedessen identifizierten Wissenschaftler bei der Analyse von 130.000 Bildern etwa 2.000 verschiedene Arten von Hauterkrankungen. Sie erstellten einen Datensatz für eine Bildbibliothek und „speisten“ dann alle diese neuronalen Netze. Jedes Bild wurde in einem separaten Block, einem „Pixel“, mit einer kurzen Beschreibung der Krankheit dargestellt. Dann wurde der Algorithmus „gebeten“, die Entwicklungsstadien derselben Krankheit zu zeigen, nachdem zuvor Muster der Fokusvergrößerung identifiziert worden waren.


Verschiedene Kategorien von Bildern, in die der Algorithmus die ursprüngliche Fotodatenbank unterteilt hat

Nachdem alles fertig war, verglichen die Autoren des Projekts die Ergebnisse der mit dem System durchgeführten Diagnose mit den bekannten Ergebnissen der Diagnose von Hautkrankheiten von Patienten, die von zwei Dutzend Dermatologen der Stanford Medical School durchgeführt wurden. Um den Algorithmus zu testen, verwendeten die Wissenschaftler nur qualitativ hochwertige Bilder, die von Fachleuten erstellt wurden. Die diagnostische Genauigkeit betrug 91%, sowohl für den Algorithmus als auch für Ärzte.

Die Autoren planen, ihre Entwicklung schrittweise weiterzuentwickeln. Insbesondere möchten die Forscher eine Anwendung erstellen, die direkt mit Fotos von Hautbereichen mit Problembereichen arbeitet, die die Patienten selbst herunterladen. Dies wird laut Forschern den Zugang zu medizinischen Dienstleistungen für eine große Anzahl von Patienten vereinfachen. Und Smartphones können hier von unschätzbarem Wert sein. „Mein Hauptpunkt bei Eureka war, als mir klar wurde, wie allgegenwärtig Smartphones sein würden“, beschreibt einer der Initiatoren des Projekts den Prozess der Umsetzung der Arbeit von einer Idee zu einem funktionierenden Dienst. „Jeder Mensch hat jetzt einen leistungsstarken Computer mit vielen Sensoren, einschließlich einer Kamera. Was ist, wenn Sie damit Hautkrebs oder andere Arten von Krankheiten fotografieren können? “

In jedem Fall müssen Forscher mehr Tests durchführen, bevor sie ihre Technologie für die Massen fertigstellen, um den Algorithmus fertigzustellen. In diesem Fall ist es äußerst wichtig zu wissen, wie das Gerät Bilder klassifiziert.

„Die Möglichkeiten der computergestützten Klassifizierung von Bildern sind eine hervorragende Hilfe für Dermatologen, die genauere Diagnosen stellen können. In Zukunft muss jedoch die Effizienz des Algorithmus bestätigt werden. Dies muss erfolgen, bevor diese Praxis in Krankenhäusern eingeführt wird “, sagte Susan Svetter, Professorin für Dermatologie an der Stanford University.

Source: https://habr.com/ru/post/de400967/