Künstliche Intelligenz (KI) lässt sich dahin trainieren, Tuberkulose (TBC) auf Röntgenaufnahmen des Brustkorbs zu erkennen. Das berichten Forscher des Thomas Jefferson University Hospital in Philadelphia (TJUH – siehe Radiology, Band 284/2, August 2017). Damit ließen sich Screenings und Evaluierungsbemühungen in Regionen mit eingeschränktem Zugang zu Radiologen (z. B. in Entwicklungsländern) verbessern.
Laut der Weltgesundheitsorganisation WHO ist TBC weltweit eine der zehn häufigsten Todesursachen. 2016 erkrankten rund 10,4 Mio. Menschen. 1,8 Mio. Menschen starben an den Folgen. Studienautor Paras Lakhani zufolge 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 ausgewertet. Die Daten stammen von Untersuchungen der National Institutes of Health, des Belarus Tuberculosis Portal und des TJUH.
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 Röntgenbildern mit negativem und positivem Befund lernten. Die Genauigkeit der Modelle wurde an insgesamt 150 Fällen getestet, die aus den anderen Datensätzen selektiert wurden.
Am besten schnitt eine KI-Form mit einer Genauigkeit von 96 Prozent ab, die aus einer Kombination von AlexNet und GoogLeNet bestand. „Die Anwendbarkeit für TBC ist wichtig, da es sich um eine Krankheit handelt, die behandelt werden kann“, so Lakhani. Die beiden DCNN-Modelle waren sich nur 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 also zusätzlich ein menschlicher Experte hinzugezogen wurde, konnte eine Genauigkeit von fast 99 Prozent erreichen.
Quelle: Pressetext (pte)