Eine künstliche Intelligenz (KI), die auf etwa einer Million Screening-Mammographiebildern aufbaut, identifizierte Brustkrebs mit einer Genauigkeit von etwa 90 Prozent, wenn sie mit der Analyse durch Radiologen kombiniert wird, so die Ergebnisse einer neuen Studie.
- Die von Forscherinnen und Forschern der NYU School of Medicine und des NYU Center for Data Science durchgeführte Studie untersuchte die Fähigkeit einer KI, eines maschinell lernenden Computerprogramms, die Diagnosen einer Gruppe von 14 Radiologen zu verbessern, während sie 720 Mammographie-Bilder überprüften.
- Das KI-Tool lernte, vorherzusagen, welche Läsionen (Schädigungen) wahrscheinlich bösartig oder wahrscheinlich gutartig waren, mit dem Potenzial, Radiologen bei der Diagnose von Brustkrebs zu unterstützen.
Die Untersuchung ergab nach Aussage von Dr. Krzysztof J. Geras, Assistant Professor an der Radiologischen Abteilung der NYU Langone, dass die künstliche Intelligenz krebsbezogene Muster in den Daten identifiziert hat, die Radiologen nicht erkennen konnten, und umgekehrt.
Den Wissenschaftlern zufolge erkannte die KI Gewebeveränderungen auf Pixelebene, während der Mensch verschiedene Denkansätze anwandte, die der KI nicht zur Verfügung standen.
Im Jahr 2014 wurden in den USA mehr als 39 Millionen Mammographieuntersuchungen durchgeführt, um Frauen (ohne Symptome) auf Brustkrebs zu untersuchen und diejenigen zu bestimmen, die eine genauere Untersuchung erforderlich machen.
- Frauen, deren Testergebnisse zu ungewöhnlichen Mammographiebefunden führen, werden zur Biopsie überwiesen, einem Verfahren, das eine kleine Probe Brustgewebe für Laboruntersuchungen entnimmt.
Ein neues Analyse-Tool zur Identifizierung von Brustkrebs
In der neuen Studie entwickelte das Forschungsteam statistische Techniken, die es dem Programm ermöglichen, zu lernen, wie man bei einer Aufgabe besser wird, ohne genau gesagt zu bekommen, wie.
Solche Programme bauen mathematische Modelle auf, die es ermöglichen, Entscheidungen auf der Grundlage von Datenbeispielen zu treffen, die in sie eingegeben werden, wobei das Programm „intelligenter“ wird, je mehr Daten es überprüft.
Die Wissenschaftlerinnen und Wissenschaftler schulten ihr KI-Tool auf vielen Bildern, die mit den Ergebnissen von Biopsien in der Vergangenheit übereinstimmen. Das Ziel der Forscher war es, das KI-Tool in die Lage zu versetzen, Radiologen dabei zu helfen, die Anzahl notwendigen Biopsien in Zukunft zu reduzieren.
Dies kann nur erreicht werden, so Dr. Geras, indem das Vertrauen der Ärzte in die Richtigkeit der Bewertungen für Screeninguntersuchungen erhöht wird (z.B. Reduzierung falsch-positiver und falsch-negativer Ergebnisse).
Das Forschungsteam analysierte für die aktuelle Studie Bilder, die im Rahmen der klinischen Routineversorgung bei NYU Langone Health über einen Zeitraum von sieben Jahren gesammelt wurden, indem es die gesammelten Daten durchsuchte und die Bilder mit den Biopsieergebnissen verknüpfte.
So entstand ein außergewöhnlich großer Datensatz für das KI-Tool. Der Datensatz bestand aus 229.426 digitalen Screening-Mammographieuntersuchungen und mehr als einer Million Bildern. Die meisten Datenbanken, die bisher in Studien verwendet wurden, waren auf 10.000 Bilder oder weniger beschränkt.
In Zukunft plant das Forscherteam der NYU School of Medicine, diese Genauigkeit weiter zu erhöhen, indem es das KI-Programm auf weitere Daten trainiert und vielleicht sogar Veränderungen im Brustgewebe identifiziert, die noch nicht krebskrank sind, aber das Potenzial dazu haben.
Nach Ansicht von Nan Wu, Doktorandin am NYU Center for Data Science, sollte der Übergang zur KI-Unterstützung in der diagnostischen Radiologie wie die Einführung von selbstfahrenden Autos verlaufen – langsam und vorsichtig, Vertrauen aufbauend und Systeme auf dem Weg dorthin verbessernd mit dem Schwerpunkt Sicherheit.
- Die Forschungsergebnisse wurden online in der Fachzeitschrift IEEE Transactions on Medical Imaging veröffentlicht.
Quellen
- NYU School of Medicine
- N. Wu et al ., „Deep Neural Networks Improve Radiologists‘ Performance in Breast Cancer Screening“, in IEEE Transactions on Medical Imaging , vol. 39, Nr. 4, S. 1184-1194, April 2020, doi: 10.1109/TMI.2019.2945514.
Dieser Beitrag beschäftigt sich mit einem medizinischen Thema, einem Gesundheitsthema oder einem oder mehreren Krankheitsbildern. Dieser Artikel dient nicht der Selbst-Diagnose und ersetzt auch keine Diagnose durch einen Arzt oder Facharzt. Bitte lesen und beachten Sie hier auch den Hinweis zu Gesundheitsthemen!
vgt