KI in der digitalen Pathologie: Erkennung von Adenokarzinomen
Verfasst von Ilgar Guseinov und Bryan Zafra am 12.01.2023
Künstliche Intelligenz (KI) revolutioniert das Gesundheitswesen, und die digitale Pathologie bildet da keine Ausnahme. Mit der Fähigkeit, riesige Datenmengen zu analysieren, hat KI das Potenzial, die Genauigkeit und Effizienz von Pathologiediagnosen erheblich zu verbessern. In diesem Blogbeitrag werden wir den aktuellen Anwendungsfall von KI in der digitalen Pathologie bei med4PAN untersuchen. Außerdem gehen wir auf die ethischen Überlegungen und Herausforderungen ein, die sich bei der Umsetzung ergeben.
Eine der wichtigsten Anwendungen von KI in der digitalen Pathologie ist die Bildanalyse. Mithilfe von Algorithmen des maschinellen Lernens kann KI mikroskopische Bilder von Gewebeproben analysieren und Muster erkennen, die auf das Vorhandensein von Krankheiten hindeuten können. Dies kann insbesondere bei der Krebsdiagnose von Nutzen sein, wo die Identifizierung spezifischer Zellmuster für eine genaue Diagnose entscheidend ist.
Einer der Anwendungsfälle von Med4PAN ist die Unterscheidung von Adenokarzinomen an verschiedenen anatomischen Stellen, z. B. Brust, Dickdarm, Speiseröhre, Lunge und Prostata. Pathologiebilder wurden verarbeitet und auf eine Größe von 256 x 256 Pixel standardisiert. Ein KI-Basismodell von Google Tensorflow Hub namens efficientnet_v2 wird für das Training des med4PAN-Modells für digitale Pathologie verwendet. Insgesamt gibt es 207 Millionen Parameter aus diesen Pathologiebildern, von denen 6.405 Parameter trainiert werden können, um in das KI-Modell integriert zu werden. Der daraus resultierende Trainingsprozess für das KI-Modell hat eine Genauigkeit von 99,64 Prozent.
Abb. 1 Trainings- und Validierungsverlustfunktion (oben) und Genauigkeit (unten) des KI-Pathologiemodells.
Das Modell hat auch gute Vorhersagen bei der Unterscheidung von Adenokarzinomen an verschiedenen anatomischen Stellen. Die nachstehende Tabelle zeigt beispielsweise, dass die Bilder 1 bis 3 eine hohe Vorhersagekraft von mehr als 99 % haben, während Bild 4 eine Vorhersagekraft von 95 % hat. Für das Bild mit der Nummer 0 war das KI-Modell jedoch nicht in der Lage, hohe Vorhersagen zu treffen, und verwechselte es mit einem Adenokarzinom der Lunge oder der Speiseröhre.
Tabelle 1. Beispielhafte Vorhersagen des KI-Modells mit den ersten 5 Bildern des Datensatzes und den entsprechenden Vorhersageergebnissen für jeden Adenokarzinomtyp.
Während die potenziellen Vorteile der KI in der digitalen Pathologie erheblich sind, müssen auch rechtliche und ethische Überlegungen berücksichtigt werden. Datenschutzbelange sind von besonderer Bedeutung, da Pathologiebilder oft sensible persönliche Informationen enthalten. Zum Beispiel kann das DICOM-Format einige persönliche Informationen wie Name, Geburtsdatum usw. enthalten. Und hier ist es besonders wichtig, die GDPR-Standards einzuhalten. Darüber hinaus besteht die Möglichkeit einer Verzerrung des KI-Systems, insbesondere wenn die Trainingsdaten nicht repräsentativ für die Bevölkerung sind, für die sie zur Diagnose verwendet werden.
Ein weiteres Problem, das der Implementierung von KI in der digitalen Pathologie im Wege steht, ist der Mangel an Standardisierung. Derzeit gibt es keine Standardmethode für die Erstellung, Kommentierung oder gemeinsame Nutzung digitaler Pathologiebilder, was die Entwicklung von KI-Systemen, die institutionsübergreifend eingesetzt werden können, erschweren kann. Außerdem mangelt es an Daten zum Trainieren von KI-Systemen, was es schwierig machen kann, eine hohe Genauigkeit zu erreichen. Ein Scanner für ganze Objektträger wird zur Erfassung der Daten verwendet, die zum Trainieren des Modells verwendet werden, und mit dem 5G-Netzwerk verbunden, das derzeit auf dem ECRI-Campus installiert wird.
Trotz einiger Herausforderungen sind die zukünftigen Möglichkeiten der KI in der digitalen Pathologie sehr interessant und werden mit der Entwicklung von 5G-Netzwerken viel zugänglicher sein, aber darüber werden wir in unseren nächsten Posts sprechen!