„Optionen zu haben, kann bei der Entscheidungsfindung helfen. Schon allein die Erkenntnis, dass ein medizinisches Bild Unsicherheiten aufweist, kann die Entscheidungen beeinflussen. Daher ist es wichtig, diese Unsicherheit zu berücksichtigen“, sagt Marianne Rakic, Doktorandin der Informatik am MIT.

Rakic ​​ist Hauptautor einer gemeinsam mit anderen Forschern des MIT, des Broad Institute of MIT und Harvard sowie des Massachusetts General Hospital veröffentlichten Studie, in der ein neues KI-Tool vorgestellt wird, das in der Lage ist, Unsicherheiten in medizinischen Bildern zu erfassen.

Das System, bekannt als Tyche (benannt nach dem griechischen Gott des Zufalls), bietet mehrere plausible Segmentierungen, die leicht unterschiedliche Bereiche eines medizinischen Bildes hervorheben. Der Benutzer kann die Anzahl der von Tyche angebotenen Optionen festlegen und die für seinen Zweck am besten geeignete auswählen.

Und vor allem kann Tyche neue Segmentierungsaufgaben bewältigen, ohne neu trainiert werden zu müssen. Das Training ist ein datenintensiver Prozess, bei dem dem Modell viele Beispiele gezeigt werden und der umfassende Expertise im Bereich maschinelles Lernen erfordert.

Da Tyche keine Umschulung erfordert, könnte es für Ärzte und biomedizinische Forscher einfacher anzuwenden sein als andere Methoden. Es ließe sich sofort für eine Vielzahl von Aufgaben einsetzen, von der Identifizierung von Läsionen auf einem Röntgenbild des Brustkorbs bis hin zur Lokalisierung von Anomalien in einem MRT des Gehirns.

Letztendlich könnte dieses System die Diagnose verbessern oder die biomedizinische Forschung unterstützen, indem es auf potenziell entscheidende Informationen aufmerksam macht, die andere KI-Tools möglicherweise übersehen.

„Ambiguität wurde noch nicht ausreichend untersucht. Wenn Ihr Modell einen Knotenpunkt übersieht, von dem drei Experten sagen, dass er existiert, und zwei sagen, dass er nicht existiert, sollten Sie dem wahrscheinlich Beachtung schenken“, fügt Adrian Dalca, Hauptautor, Assistenzprofessor an der Harvard Medical School und am MGH sowie Wissenschaftler am Computer Science and Artificial Intelligence Laboratory (CSAIL) des MIT, hinzu.

Zu den Co-Autoren gehören Hallee Wong, Doktorandin der Elektrotechnik und Informatik; José Javier González Ortiz, PhD (23); Beth Cimini, stellvertretende Leiterin der Abteilung für Bioimaging-Analyse am Broad Institute; und John Guttag, Dugald C. Jackson Professor für Informatik und Elektrotechnik. Rakic ​​wird Tyche auf der IEEE-Konferenz für Computer Vision und Mustererkennung vorstellen, wo Tyche als eines der vorgestellten Projekte ausgewählt wurde.

Umgang mit Mehrdeutigkeiten

Künstliche Intelligenzsysteme zur Segmentierung medizinischer Bilder nutzen häufig neuronale Netze. Angelehnt an das menschliche Gehirn sind neuronale Netze maschinelle Lernmodelle, die aus vielen miteinander verbundenen Schichten von Knoten oder Neuronen bestehen, welche Daten verarbeiten.

Nach Gesprächen mit Kooperationspartnern am Broad Institute und am MGH, die diese Systeme nutzen, erkannten die Forscher zwei wesentliche Probleme, die deren Effektivität einschränken. Die Modelle können Unsicherheiten nicht erfassen und müssen selbst für geringfügig veränderte Segmentierungsaufgaben neu trainiert werden.

Einige Methoden versuchen, eines der Hindernisse zu überwinden, aber beide Probleme mit einer einzigen Lösung anzugehen, hat sich als besonders schwierig erwiesen, sagt Rakic.

„Wenn man Mehrdeutigkeiten berücksichtigen will, muss man oft ein extrem kompliziertes Modell verwenden. Mit der von uns vorgeschlagenen Methode wollen wir ein relativ kleines Modell entwickeln, das einfach anzuwenden ist und schnelle Vorhersagen ermöglicht“, sagt er.

Die Forscher entwickelten Tyche durch die Modifizierung einer einfachen neuronalen Netzwerkarchitektur.

Zunächst stellt der Benutzer Tyche einige Beispiele zur Verfügung, die die Segmentierungsaufgabe veranschaulichen. Beispielsweise könnten die Beispiele mehrere Bilder von Läsionen in einem Herz-MRT enthalten, die von verschiedenen menschlichen Experten segmentiert wurden, sodass das Modell die Aufgabe lernt und erkennt, dass Mehrdeutigkeiten bestehen.

Die Forscher entdeckten, dass bereits 16 Beispielbilder, der sogenannte „Kontextsatz“, ausreichen, damit das Modell gute Vorhersagen treffen kann. Die Anzahl der verwendbaren Beispiele ist jedoch unbegrenzt. Der Kontextsatz ermöglicht es Tyche, neue Aufgaben zu lösen, ohne dass ein erneutes Training erforderlich ist.

Um Tyche die Erfassung von Unsicherheiten zu ermöglichen, modifizierten die Forscher das neuronale Netzwerk so, dass es auf Basis eines medizinischen Bildes und der Kontextinformationen mehrere Vorhersagen treffen konnte. Sie passten die Netzwerkschichten so an, dass die in jedem Schritt erzeugten Segmentierungskandidaten miteinander und mit den Beispielen im Kontextdatensatz „kommunizieren“ konnten, während die Daten von einer Schicht zur nächsten flossen.

Auf diese Weise kann das Modell sicherstellen, dass die Kandidatensegmentierungen zwar alle geringfügig voneinander abweichen, aber dennoch die Aufgabe lösen.

„Es ist wie beim Würfeln. Wenn Ihr Modell eine Zwei, eine Drei oder eine Vier würfeln kann, aber nicht weiß, dass Sie bereits eine Zwei und eine Vier haben, dann kann jede dieser Zahlen erneut erscheinen“, sagt er.

Außerdem wurde der Trainingsprozess so angepasst, dass er durch die Maximierung der Qualität seiner besten Vorhersage belohnt wird.

Wenn der Benutzer fünf Vorhersagen anfordert, kann er letztendlich die fünf von Tyche erzeugten Segmentierungen des medizinischen Bildes sehen, wobei eine davon möglicherweise besser ist als die anderen.

Die Forscher haben außerdem eine Version von Tyche entwickelt, die mit einem vortrainierten Modell zur Segmentierung medizinischer Bilder verwendet werden kann. In diesem Fall ermöglicht Tyche dem Modell, durch geringfügige Bildtransformationen mehrere Kandidaten zu generieren.

Bessere und schnellere Vorhersagen

Als Forscher Tyche mit annotierten medizinischen Bilddatensätzen testeten, stellten sie fest, dass die Vorhersagen die Vielfalt der menschlichen Annotatoren widerspiegelten und die besten Vorhersagen besser waren als die aller Referenzmodelle. Darüber hinaus war Tyche schneller als die meisten Modelle.

„Mehrere Kandidaten aufzustellen und sicherzustellen, dass sie sich voneinander unterscheiden, verschafft einem wirklich einen Vorteil“, sagt Rakic.

Die Forscher stellten außerdem fest, dass Tyche komplexere Modelle, die auf einem großen, spezialisierten Datensatz trainiert wurden, übertreffen konnte.

Zukünftig planen sie, mit einem flexibleren Kontext zu experimentieren, beispielsweise mit Text oder verschiedenen Bildtypen. Außerdem wollen sie Methoden erforschen, um die ungenauen Vorhersagen von Tyche zu verbessern und das System so zu optimieren, dass es die besten Zielgruppenkandidaten empfehlen kann.

Diese Forschung wird teilweise von den National Institutes of Health, dem Eric and Wendy Schmidt Center am Broad Institute des MIT und Harvard sowie von Quanta Computer finanziert.

###

Verfasst von Adam Zewe, MIT News