Künstliche Intelligenz erkennt Lungenkrebs besser als Menschen
Forscher haben einen Deep-Learning-Algorithmus verwendet, um Lungenkrebs anhand von Computertomographie-Scans genau zu erkennen. Die Ergebnisse der Studie zeigen, dass künstliche Intelligenz die menschliche Bewertung dieser Scans übertreffen kann.
Laut jüngsten Schätzungen verursacht Lungenkrebs in den USA fast 160.000 Todesfälle. Die Erkrankung ist die häufigste Ursache für krebsbedingte Todesfälle in den USA, und die Früherkennung ist entscheidend, um sowohl die Ausbreitung von Tumoren zu stoppen als auch die Patientenergebnisse zu verbessern.
Als Alternative zu Röntgenaufnahmen des Brustkorbs haben Angehörige der Gesundheitsberufe kürzlich Computertomographie (CT) -Scans verwendet, um nach Lungenkrebs zu suchen.
In der Tat argumentieren einige Wissenschaftler, dass CT-Scans Röntgenstrahlen für die Erkennung von Lungenkrebs überlegen sind, und Untersuchungen haben gezeigt, dass insbesondere niedrig dosierte CT (LDCT) die Zahl der Todesfälle durch Lungenkrebs um 20% gesenkt hat.
Eine hohe Rate an falsch positiven und falsch negativen Ergebnissen rätselt jedoch immer noch das LDCT-Verfahren. Diese Fehler verzögern typischerweise die Diagnose von Lungenkrebs, bis die Krankheit ein fortgeschrittenes Stadium erreicht hat, in dem die Behandlung zu schwierig wird.
Neue Forschungsergebnisse können vor diesen Fehlern schützen. Eine Gruppe von Wissenschaftlern hat Techniken der künstlichen Intelligenz (KI) verwendet, um Lungentumoren in LDCT-Scans zu erkennen.
Daniel Tse von der Google Health Research Group in Mountain View, CA, ist der entsprechende Autor der Studie, deren Ergebnisse in der Zeitschrift erscheinen Naturmedizin.
"Modell übertraf alle sechs Radiologen"
Tse und Kollegen wendeten eine Form der KI namens Deep Learning auf 42.290 LDCT-Scans an, auf die sie über das Northwestern Electronic Data Warehouse und andere Datenquellen der Northwestern Medicine-Krankenhäuser in Chicago, IL, zugegriffen haben.
Der Deep-Learning-Algorithmus ermöglicht es Computern, anhand von Beispielen zu lernen. In diesem Fall trainierten die Forscher das System mithilfe eines primären LDCT-Scans zusammen mit einem früheren LDCT-Scan, sofern verfügbar.
Frühere LDCT-Scans sind nützlich, da sie eine abnormale Wachstumsrate von Lungenknoten aufdecken können, was auf eine Malignität hinweist.
In der aktuellen Studie stellte die KI ein „automatisiertes Bildbewertungssystem“ zur Verfügung, das die Malignität von Lungenknoten ohne menschliches Eingreifen genau vorhersagte.
Die Forscher verglichen die Bewertungen der KI mit denen von sechs vom Board zertifizierten US-Radiologen, die über bis zu 20 Jahre klinische Erfahrung verfügten.
Wenn frühere LDCT-Scans nicht verfügbar waren, übertraf das AI-Modell „alle sechs Radiologen mit einer absoluten Reduktion von 11% bei falsch positiven und 5% bei falsch negativen Ergebnissen“, berichten Tse und Kollegen. Wenn vorherige Bildgebung verfügbar war, schnitt die KI genauso gut ab wie die Radiologen.
Der Co-Autor der Studie, Dr. Mozziyar Etemadi, wissenschaftlicher Mitarbeiter an der Feinberg School of Medicine der Northwestern University in Chicago, erklärt, warum KI die menschliche Bewertung übertreffen kann.
"Radiologen untersuchen im Allgemeinen Hunderte von 2D-Bildern oder" Schnitten "in einem einzigen CT-Scan, aber dieses neue maschinelle Lernsystem betrachtet die Lunge in einem riesigen, einzelnen 3D-Bild", sagt Dr. Etemadi.
„KI in 3D kann in ihrer Fähigkeit, Lungenkrebs im Frühstadium zu erkennen, viel empfindlicher sein als das menschliche Auge, das 2D-Bilder betrachtet. Dies ist technisch gesehen „4D“, da nicht nur ein CT-Scan, sondern zwei (der aktuelle und der vorherige Scan) im Laufe der Zeit betrachtet werden. “
Dr. Mozziyar Etemadi
"Um die KI so aufzubauen, dass die CTs auf diese Weise angezeigt werden, benötigen Sie ein riesiges Computersystem im Google-Maßstab", fährt er fort. "Das Konzept ist neu, aber das eigentliche Engineering ist aufgrund der Größe auch neu."
Dr. Etemadi lobt weiterhin die Vorteile des Einsatzes von Deep-Learning-Technologie und betont deren Präzision. "Das System kann eine Läsion spezifischer kategorisieren", sagt der Forscher.
"Wir können nicht nur jemanden mit Krebs besser diagnostizieren, sondern auch sagen, wenn jemand keinen Krebs hat, und ihn möglicherweise vor einer invasiven, kostspieligen und riskanten Lungenbiopsie bewahren", schließt Dr. Etemadi.
Die Forscher warnen jedoch davor, dass diese Ergebnisse zunächst in größeren Kohorten validiert werden müssen.
