Wenn Sie Partnerlinks in unseren Inhalten folgen, erhalten wir möglicherweise eine Provision. Dabei entstehen Ihnen keine zusätzliche Kosten. Wir zeigen transparent, wie 
Lange leben dank der Maschinenwelt?
Eines der hoffnungsvollsten Versprechen der künstlichen Intelligenz (KI) ist die Unterstützung im Gesundheitswesen. Wenn KI uns dabei helfen kann, länger und gesünder zu leben, eröffnen sich uns neue Perspektiven und eine wirklich glücklichere Zukunft.
Wir alle verstehen schließlich irgendwann, dass unsere Gesundheit das ist, was am meisten zählt. Ein neuer Fortschritt in dieser Richtung ist das Tyche-System, das Unsicherheiten in medizinischen Bildern sichtbar macht.
Was ist Bildsegmentierung?
Medizinische Bildsegmentierung bedeutet, bestimmte Bereiche in medizinischen Bildern zu markieren, zum Beispiel ein Organ oder eine Zelle.
Künstliche Intelligenz kann dabei helfen, indem sie die Pixel hervorhebt, die Anzeichen einer Krankheit oder Anomalie zeigen könnten. Das Problem ist jedoch, dass diese KI-Modelle oft nur eine einzige Lösung anbieten, obwohl die Realität oft viel komplexer und unklarer ist.
„Fünf Experten könnten fünf verschiedene Segmentierungen eines Knotens in einem Lungen-CT-Bild erstellen. Unterschiedliche Meinungen sind hier nicht ungewöhnlich“, erklärt Marianne Rakic, eine Doktorandin der Informatik am MIT.
Tyche: Mehrere plausible Segmentierungen
Rakic ist die Hauptautorin eines Papiers, das eine neue KI-Methode vorstellt, die diese Unsicherheiten erfasst. Das System, Tyche genannt, kann mehrere plausible Segmentierungen für ein einzelnes medizinisches Bild liefern. Die Benutzer können festlegen, wie viele Optionen Tyche ausgeben soll und die am besten geeignete auswählen.
Ein wichtiger Vorteil von Tyche ist, dass es neue Segmentierungsaufgaben ohne erneutes Training bewältigen kann. Dies ist besonders nützlich, da das Training von KI-Modellen ein datenintensiver Prozess ist, der viel Fachwissen erfordert.
„Das System könnte ‘out of the box’ für verschiedene Aufgaben eingesetzt werden, von der Identifizierung von Läsionen in einem Lungenröntgenbild bis zur Lokalisierung von Anomalien in einem Gehirn-MRT“, so Rakic.
Rakic wird Tyche auf der IEEE / CVF Computer Vision and Pattern Recognition Conference (CVPR präsentieren, wo es als Highlight ausgewählt wurde.
Verbesserung der Diagnose und Forschung
Tyche könnte die Diagnostik und die biomedizinische Forschung verbessern, indem es auf potenziell entscheidende Informationen hinweist, die andere KI-Tools übersehen könnten.
„Wenn Ihr Modell einen Knoten vollständig übersieht, den drei Experten als vorhanden ansehen und zwei nicht, ist das wahrscheinlich etwas, das Sie beachten sollten“, ergänzt Adrian Dalca, ein Assistenzprofessor an der Harvard Medical School und MGH sowie Wissenschaftler im MIT CSAIL.
Dieses Projekt wird teilweise durch die National Institutes of Health, das Eric and Wendy Schmidt Center am Broad Institute von MIT und Harvard sowie Quanta Computer finanziert – das unterstreicht die enorme Bedeutung dieses Forschungsprojekts.
Was macht Tyche so spannend?
Tyche wurde durch Modifikation einer einfachen neuronalen Netzwerkarchitektur entwickelt. Die Forscher fanden heraus, dass bereits 16 Beispielbilder, die als „Kontextsatz“ bezeichnet werden, ausreichen, damit das Modell gute Vorhersagen treffen kann.
Durch die Anpassung der Netzwerkschichten konnten die Forscher sicherstellen, dass die erzeugten Segmentierungen unterschiedlich sind, aber dennoch die Aufgabe lösen.
„Es ist wie ein Würfelspiel. Wenn Ihr Modell eine Zwei, Drei oder Vier würfeln kann, aber nicht weiß, dass Sie bereits eine Zwei und Vier haben, könnte eines der Ergebnisse erneut erscheinen“, erläutert Rakic.
Darüber hinaus ermöglicht Tyche durch seine Anpassungsfähigkeit, dass das Modell ohne erneutes Training für verschiedene medizinische Bildsegmentationen verwendet werden kann.
Fazit
Die Entwicklung von Tyche stellt einen bedeutenden Fortschritt in der medizinischen Bildgebung dar. Es zeigt, dass KI-Modelle nicht nur besser und schneller, sondern auch vielseitiger und benutzerfreundlicher werden können.
Die Forscher planen, Tyche weiter zu verbessern, indem sie flexiblere Kontextsets und Methoden zur Optimierung der Vorhersagequalität erforschen. Es hat das Potenzial, die medizinische Diagnostik zu revolutionieren, indem es Unsicherheiten sichtbar macht und so zur besseren Entscheidungsfindung beiträgt.
