IT之家 Am 13. November berichtete das Institut für Gesundheit der Hefei Materielle Akademie der Chinesischen Akademie der Wissenschaften / das Hefei Krebskrankenhaus Forschungsteam, dass es in letzter Zeit mit mehreren in- und ausländischen Einrichtungen bei der Forschung zur Diagnose von Lungenkrebs Fortschritte gemacht hat. Es wurde eine neue AI-assistierte Diagnosesmethode für Lungenknötchen auf Basis von Brust-CT-Bildern entwickelt, deren Ergebnisse in „Information Fusion“ veröffentlicht wurden.
Lungenkrebs ist ein häufig auftretender bösartiger Tumor. Frühe Screening-Tests sind entscheidend für eine höhere Heilungsrate und eine niedrigere Sterblichkeit. Die genaue Einordnung von gut und bösem Lungenknötchen bei frühen Tests hat direkten Einfluss auf die Formulierung der folgenden Behandlungsmaßnahmen und das Prognoseergebnis.
In der klinischen Praxis müssen Ärzte jedes CT-Bild des Brustbereichs einzeln betrachten, um die Gesamtstruktur der Lunge, die Gewebe um die Nabelknoten sowie die Details der Nabelknoten zu erkennen. Anschließend basierend auf ihrer klinischen Erfahrung können sie eine Diagnose bezüglich der Gutartigkeit oder Schlechtartigkeit der Nabelknoten treffen. Diese traditionelle manuelle Bildlese ist nicht nur zeitaufwendig und anstrengend, sondern auch anfällig für Einflüsse wie Erfahrung und Müdigkeit – es kann sogar zu fehlerhaften Diagnosen kommen.
Die in den letzten Jahren entstandenen KI-Technologien wurden bereits zur assistativen Diagnose von gut und bösem Lungenknötchen verwendet. Allerdings basieren die üblichen KI-Diagnostikmodelle nur auf einzelnen Bildmerkmalen und sind meist „Schwarzbox“-Algorithmen. Die Erkennungsgenauigkeit ist begrenzt und die Erklärbarkeit schlecht, was es schwierig macht, die klinischen Anforderungen einer präzisen Behandlung zu erfüllen.
Zu den oben genannten Problemen imitiert das wissenschaftliche Forschungsteam bei der Algorithmenentwicklung die Diagnoselogik von Ärzten und schlägt das neue M³Net vor, ein AI-Modell einer 3D-Netzwerknetzwerkschicht „Macro-Meso-Micro“, um neue Methoden für die intelligente Klassifizierung und Diagnose von Lungenbuben in mehreren Schichten und mit erklärbaren Ergebnissen zu entwickeln.
Die Algorithmen erzeugen drei unterschiedliche Eingangsgrößen für Bilder, die jeweils die globale Struktur der Lunge, die Merkmale des umliegenden Gewebes sowie die mikroskopischen Details der Knoten betreffen und alle wichtigen Informationen für die Diagnose von Erkrankungen abdecken.
Das Modell extrahiert durch den speziellen Koderer zur Erkennung von Merkmalen unterschiedlicher Größen. Durch Projektion in den versteckten Raum und Techniken zur Maximierung des Interaktionsinformations nutzt es eine Übereinstimmung der Merkmale zwischen verschiedenen Größen. Mit Hilfe eines hierarchischen Kreuz-Antizipations-Mechanismus simuliert das Modell den Diagnoseschritt des Arztes: zunächst global, dann lokaler und schließlich detailliert. Durch die Optimierung der Merkmalseinbringung unter mehreren Regularisierungsbeschränkungen wird sowohl das bösartige Detail wie Knoten, Spalten, Kante und ungleiche Dichte erfasst, als auch die globale pathologische Information wie Gefäßdeformation und Lungengewebeverformung berücksichtigt. Dadurch wird eine detaillierte und dreidimensionale Analyse der Erkrankungsstellen ermöglicht.
Um die Wirksamkeit des Modells zu überprüfen, führten die Forscher eine Algorithmenvergleichsstudie unter Verwendung des öffentlichen Datensatzes LIDC-IDRI und des klinischen Datensatzes USTC-FHLN durch. Die Ergebnisse zeigen, dass das M³Net-Modell im Vergleich zu zwölf populären AI-Algorithmen die Genauigkeit bei der Klassifizierung von gutartigen und bösartigen Lungenknoten in beiden Datensätzen verbessert hat. Insbesondere zeigt das Modell eine klare Vorteile bei der Unterscheidung schwieriger, unklarer Lungenknoten mit unklaren Grenzmerkmalen. Zudem ist die Anzahl der Modelparametern und die Rechenkosten des Modells niedriger.
Die von dieser Studie vorgeschlagene AI-Algorithmen für multi-scale Bildinput, die der Diagnoselogik eines Arztes folgen, ermöglichen eine effektive Überprüfung zwischen Mensch und Maschine und bieten neue Strategien für eine höhere Genauigkeit sowie eine größere relative Erklärbarkeit der AI-Diagnose von Lungenkrebs.
Die erste Abgeschlossene Einheit für dieses Ergebnis ist das Hefei Material Institut der Chinesischen Akademie der Wissenschaften. Kooperative Einheiten umfassen die erste Angehörigenklinik der Chinesischen Universität für Wissenschaft und Technologie (Anhui Provincial Hospital), die蚌埠 Medical University, das Institut für Halbleiter der Chinesischen Akademie der Wissenschaften, die Northeastern University in den USA sowie die Nanyang Technological University in Singapur. Diese Forschung wurde durch Projekte wie das Einzelkrankheitsforschungsprojekt des Hefei Krebszentrums der Chinesischen Akademie der Wissenschaften unterstützt.