Auf dem Weg zur Gesundheitsversorgung mit KI-Unterstützung
Deep Learning definiert Krebs so gut wie Labordiagnostik
Im Westen ist Lungenkrebs die tödlichste Krebsart. Labordiagnostiker untersuchen Gewebeproben unter einem Mikroskop und klassifizieren sie, um das Stadium der Tumorentwicklung zu bestimmen und die Behandlung zu verschreiben. In jedem Fall ist Krebs auf seine Weise einzigartig, so dass die Interpretation des Arzneimittels eine schwierige Aufgabe sein kann. Extrem schwierig. Kann künstliche Intelligenz zur Rettung kommen?
Ja, ja und ...
Mein Bruder John Batson Sherlock von der BBC
Tiefes Lernen
In jüngster Zeit hat sich unter den Deep-Learning-Technologien eine Bildanalysetechnik herausgebildet, die das Gebiet der Computer Vision grundlegend verändert. Es identifiziert automatisch eindeutige Bildmerkmale und wird als Faltungs-Neuronales Netzwerk (SNA) bezeichnet. Für die automatische Erkennung eindeutiger Bilder in Netzwerkbildern verwenden sie einen Ansatz mit Datenverarbeitung und führen diese Arbeit besser aus als eine Person, wenn wir die manuell markierten ImageNet- und CIFAR-10-Datenbanken als Referenz verwenden. Wenn Sie eine große Anzahl virtueller Arzneimittelbilder mit den Kommentaren von Spezialisten verwenden, kann der SNA beigebracht werden, verschiedene Arten von Lungenkrebs anhand von Bildern zu klassifizieren und so den Prozess der Erkennung und Klassifizierung von Lungenadenokarzinomen zu erleichtern.
Modellschiebefenster zur Klassifizierung virtueller Bilder von Lungenpräparaten
KI erstellen
Wissenschaftler des Hassanpour Lab an der Geisel School of Medicine in Dartmouth veröffentlichten einen wissenschaftlichen Artikel in Nature Scientific Reports , in dem es um ein neuronales Netzwerk ging, das die histologischen Subtypen von Lungenkrebs klassifizieren kann: Kriechen, Azinar, Papillär, Mikropapillare und Festkörper. Das Modell wurde auf mehr als 4.000 kommentierten virtuellen Folien trainiert und anhand eines Satzes klassischer Beispiele für jeden charakteristischen Typ verfeinert. Das trainierte Modell schnitt bei diesen klassischen Proben gut ab: mit einer Fläche unter der Kurve der Betriebscharakteristik von mindestens 0,97 für alle Kategorien.
AI-Leistungsindikator für klassische Lungenkrebsproben
KI gegen Spezialisten?
Um die Arbeit dieser KI- und Labordiagnostikspezialisten zu vergleichen, haben Wissenschaftler ihre Leistung in unabhängigen Tests gemessen. Das Deep-Learning-Modell und drei Ärzte klassifizierten 143 vollständige virtuelle Bilder von Medikamenten mit realen Fällen. Gemäß dem Kappa-Koeffizienten und zwei Übereinstimmungsindikatoren umging das von ihnen trainierte Modell die diagnostischen Ärzte in jeder Hinsicht, wie aus dieser Tabelle aus dem Bericht hervorgeht:
Tabelle 2: Vergleich von Spezialisten und unserem Modell bei der Klassifizierung der vorherrschenden Subtypen in 143 vollständigen virtuellen Bildern von Arzneimitteln. Gute Übereinstimmung (R. Vereinbarung) bedeutet die Zustimmung des Kommentators mit mindestens zwei der anderen drei. 95% der Konfidenzintervalle sind in Klammern angegeben.
Um einen Vergleich anzustellen, wurden die vom Modell erkannten charakteristischen Typen Folie für Folie grafisch dargestellt, zusammen mit Experten, die für eine Reihe ausgewählter Bilder kommentiert wurden. Die Übereinstimmungen sind sehr genau:
Visualisierung des histologischen Bildes, kommentiert von Spezialisten ((Ai-iv) im Vergleich zu denen, die das Modell des tiefen Lernens (Bi-iv) bestimmten.
Was bedeutet das?
Deep Learning ist zu einer äußerst leistungsfähigen Methode geworden, die selbst bei der Lösung komplexer Probleme wie der Analyse medizinischer Bilder mit einer Person mithalten kann. Ein Lungenkrebs-Klassifikator, der auf Deep-Learning-Algorithmen basiert, könnte Patienten in Gruppen einteilen und Fälle für die medizinische Analyse priorisieren. Es könnte auch als Zweitmeinung in Fällen mit undurchsichtigen Bildern dienen. Obwohl diese Methoden in Zukunft den zeitaufwändigen Teil der Arbeit des Spezialisten automatisieren können, bleibt noch viel zu tun, bevor sie in der Praxis eingesetzt werden können. Dieses Modell muss in vielen Datenbanken verschiedener Organisationen getestet werden. Die Eignung muss durch klinische Studien bestätigt werden. Ist es wahrscheinlich, dass ein automatisiertes System Labordiagnostiker ersetzt? Vielleicht einmal, aber nicht bald. Alle KI-Systeme müssen in einer klinischen Umgebung gründlich getestet werden, bevor Ärzte, Patienten und die medizinische Gemeinschaft ihnen vertrauen können.
Das Erstellen von KI-Algorithmen für das Gesundheitswesen ist wie das Besteigen eines hohen Berges. Wir können auf halbem Weg sein, aber es liegt noch ein langer Weg vor uns, und es wird nicht einfacher.
Der Code zur Klassifizierung eines Scans mit Lungenhistopathologie ist auf Github öffentlich verfügbar .