Künstliche Intelligenz hilft bei Diagnose von TBC
AlexNet und GoogLeNet arbeiten zusammen zu 96 Prozent präzise
 |
Röntgen (links) und Analyse über Künstliche Intelligenz (Foto: rsna.org) |
Philadelphia (pte001/26.04.2017/06:00) Forscher des Thomas Jefferson University Hospital (TJUH) http://hospitals.jefferson.edu trainieren Künstliche Intelligenz (KI) dahin, Tuberkulose (TBC) auf Röntgenaufnahmen des Brustkorbs zu erkennen. Damit ließen sich Screenings und Evaluierungsbemühungen in Regionen mit eingeschränktem Zugang zu Radiologen verbessern. Die Ergebnisse wurden im Fachmagazin "Radiology" publiziert.
Hilfe für Entwicklungsländer
Laut der Weltgesundheitsorganisation WHO http://who.int ist TBC weltweit einer der zehn häufigsten Todesursachen. 2016 erkrankten rund 10,4 Mio. Menschen. 1,8 Mio. Menschen starben an den Folgen. Laut Studienautor Paras Lakhani wäre eine durch KI unterstützte Untersuchungsmethode eine kostengünstige Möglichkeit, eine frühe Diagnose und Behandlung dieser Krankheit auch in Entwicklungsländern auszuweiten.
Bei Deep Learning handelt es sich um eine KI-Art, die es Computern ermöglicht, Aufgaben basierend auf den bestehenden Beziehungen von Daten zu lösen. Ein Deep Convolutional Neural Network (DCNN) nutzt mehrfache verborgene Schichten und Muster, um Abbildungen zu klassifizieren. Lakhani und Mitautor Baskaran Sundaram haben 1.007 Röntgenbilder von Patienten mit und ohne aktiver TBC genutzt. Die Daten stammen von Untersuchungen der National Institutes of Health, des Belarus Tuberculosis Portal und des TJUH.
Weitere Verbesserung als Ziel
Die Datensätze wurden in drei Bereiche aufgeteilt: Training (68 Prozent), Überprüfung (17,1 Prozent) und Test (14,9 Prozent). Die Fälle wurden eingesetzt, um mit AlexNet und GoogLeNet zwei verschiedene DCNN-Systeme zu trainieren, die von negativen und positiven Röntgenbildern lernten. Die Genauigkeit der Modelle wurde an 150 Fällen getestet, die aus den anderen Datensätzen ausgeschlossen wurden.
Am besten schnitt eine KI-Form mit einer Genauigkeit von 96 Prozent ab, die aus einer Kombination von AlexNet and GoogLeNet bestand. "Die Anwendbarkeit für TBC ist wichtig, da es sich um eine Krankheit handelt, die behandelt werden kann. Das ist ein Problem, das sich lösen lässt", so Lakhani. Die beiden DCNN-Modelle waren sich bei 13 der 150 Testfälle nicht einig. Für diese Fälle evaluierten die Forscher einen Workflow, bei dem ein Experte die Bilder zu 100 Prozent korrekt diagnostizieren konnte. Dieser Workflow, bei dem ein menschlicher Experte hinzugezogen wird, konnte eine Genauigkeit von fast 99 Prozent erreichen.
(Ende)| Aussender: | pressetext.redaktion |
| Ansprechpartner: | Moritz Bergmann |
| Tel.: | +43-1-81140-300 |
| E-Mail: | bergmann@pressetext.com |
| Website: | www.pressetext.com |
