Methode zur bildbasierten Diagnose

KI-System kann SARS-CoV-2 auf CT-Scans erkennen

Neben den verbreiteten PCR-Tests zur Diagnose von Infektionen mit SARS-CoV-2 lässt sich das Coronavirus auch auf CT-Scans erkennen. Durch eine neue Methode in der automatisierten Bilderkennung soll diese Diagnoseform präzisiert und für das medizinische Personal nachvollziehbarer gemacht werden.

Nutzung von CT-Scans

Das im Paper präsentierte Verfahren nutzt CT-Scans (links) und eine sogenannte Milchglastrübung (Mitte), um Infektionen mit SARS-CoV-2 ebenso wie akute und chronische Krankheiten zu erkennen – auf einer sogenannten Heatmap (rechts) markiert es für das medizinische Personal, auf welchem Bereich die Diagnose basiert. | Quelle: DFKI GmbH

Zur Erkennung des Coronavirus SARS-CoV-2 gibt es neben den weltweit eingesetzten PCR- oder Antigen-Tests noch weitere Diagnosemöglichkeiten: Die Erkrankung lässt sich auch anhand von Computertomografie-Scans nachweisen – wozu auch künstliche Intelligenz eingesetzt werden kann. Ein KI-System könne nicht nur die CT-Scans von COVID-19-Patientinnen und -Patienten aus einem Datensatz herausfiltern, sondern zudem einschätzen, welche Bildbereiche besonders auffällig sind. In einem neuen Forschungsvorhaben haben Prof. Dr.-Ing. Daniel Sonntag, Leiter des Forschungsbereichs Interaktives Maschinelles Lernen (IML) des Deutschen Forschungszentrums für Künstliche Intelligenz (DFKI), und Wissenschaftler Duy Nguyen gemeinsam mit Forschern/-innen der Dublin City University (Irland), der University of California, Berkeley (USA), der VNUHCM-University of Science (Vietnam) und des Max-Planck-Instituts für Informatik einen neuen Prototyp zur automatischen Erkennung von SARS-CoV-2-Infektionen auf CT-Scans entwickelt.

Mit Künstlicher Intelligenz zur Diagnose seltener Erbkrankheiten

Weltweit werden rund eine halbe Million Kinder Jahr für Jahr mit einer seltenen Erbkrankheit geboren. Eine sichere Diagnose ist schwierig und langwierig. Mit Hilfe Künstlicher Intelligenz kann die Diagnose effizienter und sicherer erfolgen.

weiterlesen

Trefferquote von 92 Prozent

In einem gemeinsamen Paper, bei dem Duy Nguyen Erstautor ist und das im Rahmen des „Trustworthy AI for Healthcare“-Workshops der 35. AAAI Conference on Artificial Intelligence vorgestellt wird, präsentieren die Forscher/-innen einen Ansatz, um die Diagnose durch das Zusammenführen verschiedener Datenquellen zu verbessern und Fehler zu minimieren. In Testverfahren mit Forschungsdaten erreichte die Methode eine Trefferquote von 92 Prozent – nach aktuellem Stand eines der weltweit besten Ergebnisse in der automatischen Bilderkennung von Infektionen mit SARS-CoV-2 auf einem CT-Scan-Datensatz. Das Besondere an dem Verfahren sei, dass es Ärztinnen und Ärzten visuell darstelle, worauf die Diagnose basiert.

Diagnosen beschleunigen, präzisieren und nachvollziehbarer machen

Die hinterlegte Abbildung zeige den CT-Scan einer Lunge (links), der durch das Verfahren der automatischen Bilderkennung analysiert wird. Zudem können Patientinnen und Patienten durch eine sogenannte Milchglastrübung (Mitte) auf akute und chronische Krankheiten untersucht werden. Auf einer sogenannten Heatmap (rechts) markiere das KI-System schließlich den Bereich, auf dem die Entscheidung basiert. Die visuelle Erklärung des Assistenzsystems habe zum Ziel, die Diagnose nachvollziehbarer zu machen und Medizinerinnen und Medizinern wichtige Einsichten zu liefern: Die automatische Bilderkennung mit hoher Präzision helfe, die Infektion einzuschätzen und die Behandlung zu planen. Gerade bei Engpässen in der medizinischen Versorgung könne diese Entscheidungshilfe ein bedeutender Vorteil ein, so die Wissenschaftler.

 

Literatur:

Ho Minh Duy Nguyen, Duy M. Nguyen, Huong Vu, Binh T. Nguyen, Fabrizio Nunnari, Daniel Sonntag: An Attention Mechanism using Multiple Knowledge Sources for COVID-19 Detection from CT Images.

 

Quelle: idw/DKFI