Forscher der KI für Good Lab und der University of Washington von Microsoft haben ein neues KI-Modell vorgestellt, das Brustkrebs bei MRT-Scans mit beispielloser Genauigkeit erkennt. Das System, detailliert in der Zeitschrift Radiologie , fliehen die traditionellen Ansatz auf dem Kopf. Diese Methode, eine Zusammenarbeit mit dem Fred Hutchinson Cancer Center, verbessert die Erkennung und erzeugt Wärmemaps, um Radiologen zu leiten. src=”Daten: Bild/SVG+XML; Nitro-Treppy-ID=Mty0ndoxMJA2-1; Base64, Phn2ZyB2AWV3QM94psiwidagmti4mca1nt Miihdpzhropsixmjgwiibozwlnahq9iju1Myig1SBNM9IMH0DHA6LY93D3CUDZMUB3JNLZIWMDAVC3ZNIJ48L3N2ZZ4=”>
Ein neuartiger Ansatz zum Erkennen von Krebs
Die Innovation des Systems liegt in einer Methode namens „Anomalieerkennung“, die die traditionelle Logik des AI-Trainings für medizinische Diagnose grundlegend umdreht. Anstatt Tausende von Beispielen für maligne Tumoren zu ernähren, um zu lernen, wie Krebs aussieht, wurde das Modell ausschließlich auf Bildern von normalem, gutartigem Brustgewebe trainiert. Diese Zusammenarbeit zwischen Microsoft, der University of Washington und dem Fred Hutchinson Cancer Center lehrt die KI effektiv, Experte für gesunde zu werden. In klinischen Einstellungen in der realen Welt enthalten Datensätze überwiegend nicht krebsartige Scans als Krebs, was die Leistung herkömmlicher Modelle verzerren kann. Wie der UW-Professor für Radiologie Savannah Partridge erklärte: href=”https://pubs.rsna.org/doi/10.1148/radiol.241629″target=”_ leer”> trainiert auf einem riesigen Datensatz von fast 9.500 MRT-Prüfungen über einen Zeitraum von 17 Jahren an der Universität von Washington gesammelt. Durch die Analyse dieser umfangreichen Bibliothek konstruiert die KI eine detaillierte Basis für gesunde Gewebeeigenschaften. Diese Methode erwies sich in retrospektiven Studien, in denen das Modell traditionelle Binärklassifizierungssysteme übertraf, insbesondere in Szenarien mit geringer Prävalenz, die das tatsächliche Bevölkerungs-Screening widerspiegeln. Dieses neue System stellt sich dieser Herausforderung direkt durch Priorisierung der Erklärung vor. Das Schlüsselmerkmal ist die Fähigkeit, eine visuelle Wärmemap zu erzeugen, die das MRT-Bild überlagert und sich über einen einfachen binären „Krebs“ oder „ohne Krebs“ hinausgeht. Dies verwandelt die KI von einem undurchsichtigen Orakel in einen transparenten diagnostischen Partner für Kliniker. Diese Lokalisierung auf Pixelebene kann dazu beitragen, Fälle zu priorisieren, die eine schnellere Überprüfung erfordern, Anbieter bei der Bestellung zusätzlicher Bildgebung oder den genauen Bereich angeben, der eine Biopsie erfordert. Wie Felipe Oviedo, ein hochrangiger Analyst von Microsoft AI for Good Lab, feststellte: „Unser Modell liefert eine verständliche Erklärung auf Pixelebene für das, was in einer Brust abnormal ist.“ Die Glaubwürdigkeit des Modells wird durch strenge Validierung weiter gestärkt, wobei der Heatmaps als nicht signifikant unterschiedlich von den manuellen Annotationen gefunden wurde, die durch fachliche menschliche Radiologists nicht unterschiedlich unterschieden wurden. Indem das Modell seine Arbeit zeigt, liefert es ein überprüfbares Ergebnis, das die medizinischen Fachkräfte, die es verwenden, und nicht mystifiziert werden. Eine weitere Validierung ist erforderlich, um zu sehen, wie es sich in realen Umgebungen gegen Radiologen entwickelt. Savannah Partridge, der auch Forschungsdirektor von Brustbildgebung bei UW ist, hofft, dass die Technologie den Zugang zu einem leistungsstarken Screening-Tool erweitern wird.”Wir hoffen, dass wir mehr Frauen Brust-MRT anbieten können als heute, da es sich um ein wirklich empfindliches Brust-Screening-Tool handelt”, sagte sie. Partridge hat die Herausforderung kurz und bündig eingerahmt:”Es ist nicht, dass Sie [AI] oder nicht verwenden, oder wie verwenden Sie sie? Wie verwenden Sie sie angemessen und sicher?”Um weitere Forschung zu unterstützen, wurde der Code von Modell des Modells zur Verfügung gestellt. href=”https://www.microsoft.com/en-us/research/lab/microsoft-research-ai-for-science”target=”_ leer”> Microsoft breitere”KI für Wissenschaft”-Initiative, Das Ziel, fundamentale Modelle für wissenschaftliche Erkenntnisse zu erstellen. Es folgt anderen bedeutenden Projekten in der medizinischen KI, häufig in Zusammenarbeit mit der University of Washington. Zuvor hat es Gigapath, einen leistungsstarken Vision-Transformator zur Analyse massiver digitaler Pathologie-Folien, um die Krebsforschung zu unterstützen. Das Anomalie-Detektionsmodell (FCDD) übertraf konventionelle binäre Klassifizierung sowohl in ausgewogenen als auch in unausgeglichenen (niedrigen Prävalenz-) Szenarien.