Künstliche Intelligenz erkennt Tumore präziser als menschliches Auge
Automatische Verfahren ermöglichen die Analyse von PET/CT-Scans (links) zur präzisen Vorhersage von Tumorlage und -größe (rechts) für eine verbesserte Diagnose und Therapieplanung.
(Bild: Gatidis S, Kuestner T. (2022) A whole-body FDG-PET/CT dataset with manually annotated tumor lesions (FDG-PET-CT-Lesions) [Dataset]. The Cancer Imaging Archive. DOI: 10.7937/gkr0-xv29)
Deep-Learning-Algorithmen analysieren medizinische Bilddaten effizienter und genauer als Ärzte, zeigt eine neue Studie. Ein Meilenstein für KI in der Medizin.
Künstliche Intelligenz (KI) hat das Potenzial, die Auswertung medizinischer bildgebender Verfahren wie der Positronen-Emissions-Tomographie (PET) und der Computertomographie (CT) grundlegend zu verbessern. Dies zeigt eine aktuelle Studie, die in der Fachzeitschrift Nature Machine Intelligence veröffentlicht wurde.
Ein internationales Forscherteam nahm an dem Wettbewerb "autoPET" teil, bei dem KI-Algorithmen darauf trainiert wurden, die Lage und Größe von Tumoren in medizinischen Bilddaten präzise zu bestimmen. Das Ergebnis: Die besten KI-Systeme übertrafen menschliche Experten in Effizienz und Genauigkeit.
Deep Learning erkennt komplexe Muster in Bilddaten
"Eine automatisierte Auswertung durch einen Algorithmus würde enorm Zeit sparen und die Ergebnisse verbessern", erklärt Professor Rainer Stiefelhagen vom Karlsruher Institut für Technologie (KIT), dessen Team den fünften Platz belegte.
Die besten Ergebnisse wurden mit Deep-Learning-Verfahren erzielt. Diese maschinellen Lernverfahren nutzen mehrschichtige künstliche neuronale Netze, um komplexe Muster und Zusammenhänge in großen Datenmengen zu erkennen – etwa winzige Veränderungen in medizinischen Bildern, die auf Tumore hindeuten.
Algorithmen-Ensemble übertrifft Einzelsysteme
Ein Ensemble der besten Algorithmen erwies sich als besonders leistungsfähig. Dieses Verbundsystem konnte Tumorläsionen noch effizienter und genauer erkennen als die einzelnen Algorithmen für sich genommen.
Allerdings hängt die Leistungsfähigkeit stark von der Menge und Qualität der Trainingsdaten sowie vom Design der Algorithmen ab. "Um die Algorithmen zu verbessern und robuster zu machen, sodass sie sich im klinischen Alltag einsetzen lassen, sind weitere Forschungsarbeiten erforderlich", heißt es in der Erklärung des KIT.
Ziel: Vollautomatische Analyse medizinischer Bilddaten
Für Krebspatienten mit Hunderten von krankhaften Veränderungen könnte der Einsatz von KI eine enorme Erleichterung bedeuten. Bisher müssen die Ärzte die Größe der Tumorläsionen in den 2D-Schichtbildern manuell markieren – eine äußerst mühsame Arbeit.
Das Ziel der Forscher ist klar: Die Auswertung von PET- und CT-Aufnahmen soll bald vollständig automatisiert werden. Das würde den Ärzten wertvolle Zeit sparen und den Patienten eine noch genauere Diagnose und Therapieplanung ermöglichen.