Deep Learning und Transfer Learning für die Hirntumor Erkennung und Klassifizierung
Sich tarnende Tiere helfen KI bei der Erkennung von Hirntumoren
Künstliche Intelligenz wird immer besser darin, Hirntumoren zu erkennen – dank einer unerwarteten Inspirationsquelle: getarnte Tiere. Eine neue Studie von Forschern der Boston University zeigt, dass das Training von KI-Systemen zur Erkennung versteckter Tiere in Naturfotos ihre Fähigkeit verbessern kann, Tumoren in Hirnscans zu identifizieren.
Die im Fachjournal Artificial Intelligence in Biology and Bioinformatics veröffentlichte Studie verwendete eine Technik namens Transfer-Learning, um die Genauigkeit der KI-Tumorerkennung zu verbessern. Hauptautor Faris Rustom erklärt: „Wir haben festgestellt, dass das vorherige Üben der KI, getarnte Tiere zu finden, ihr half, besser Tumoren zu erkennen, die sich mit gesundem Hirngewebe vermischen können.“
Die Forscher trainierten KI-Systeme für zwei Aufgaben: die Identifizierung getarnter Tiere in Fotos und die Erkennung verschiedener Arten von Hirntumoren in MRT-Aufnahmen. Sie stellten fest, dass die Systeme, die zuvor mit Tiertarnung trainiert wurden, deutlich besser darin waren, Tumoren zu erkennen, als jene, die nur mit Hirnscans trainiert wurden.
„Es gibt eine interessante Parallele zwischen einem Tier, das sich durch natürliche Tarnung versteckt, und einem Bündel von Krebszellen, das sich mit dem umgebenden gesunden Gewebe vermischt“, sagt Rustom. „Die in einer Aufgabe erlernten Fähigkeiten scheinen sich zu übertragen und die Leistung bei der anderen zu verbessern.“
Das Team verwendete mehrere Methoden, um einen Blick in die „Black Box“ der KI-Systeme zu werfen und zu verstehen, wie sie Entscheidungen treffen:
Feature-Räume: Durch die Abbildung, wie die KI verschiedene Bilder gruppierte, konnten die Forscher ihre interne Darstellung von Tumoren gegenüber gesundem Gewebe visualisieren. Systeme, die zuvor mit getarnten Tieren trainiert wurden, zeigten eine klarere Trennung zwischen Tumortypen.
DeepDreamImage: Diese Technik erzeugt visuelle „Prototypen“ dessen, was die KI mit jeder Kategorie assoziiert. Nach dem Tarnung-Vortraining wurden die Tumor-Prototypen deutlicher und definierter.
Salienz-Karten: Diese zeigen, auf welche Teile eines Bildes sich die KI am meisten konzentriert. Die vortrainierten Systeme zeigten eine präzisere Fokussierung auf Tumorregionen und umgebende Gewebeverzerrungen.
„Es ist faszinierend zu sehen, wie das Tarnungstraining die Fähigkeit der KI geschärft hat, subtile Unterschiede zu erkennen“, sagt Co-Autor Arash Yazdanbakhsh. „Es ist fast so, als hätte sie ein scharfsinnigeres Auge für das Erkennen von Anomalien entwickelt.“
Obwohl das mit Tarnung trainierte System nicht ganz die Genauigkeit von spezialisierten medizinischen KI-Modellen erreichte, sagen die Forscher, dass die Technik vielversprechend ist, um die KI-Leistung zu verbessern, besonders bei begrenzten Trainingsdaten.
Die Studie zeigte auch, wie die KI-Systeme verschiedene Tumortypen auf eine Weise organisierten, die mit dem aktuellen medizinischen Verständnis übereinstimmt. Zum Beispiel platzierte es gemischte Gliome (früher als Oligoastrozytome bezeichnet) in seiner internen Darstellung zwischen Astrozytomen und Oligodendrogliomen.
„Dies deutet darauf hin, dass die KI reale biologische Muster in der Präsentation dieser Tumoren erkennt“, bemerkt Yazdanbakhsh. „Sie lernt, Tumoren so zu sehen, wie es erfahrene Radiologen tun.“
Die Forscher hoffen, dass dieser Ansatz zu robusteren und besser generalisierbaren KI-Systemen für die medizinische Bildgebung führen könnte. Zukünftige Arbeiten könnten untersuchen, ob andere von der Natur inspirierte Vortrainingsaufgaben die KI-Leistung in medizinischen Anwendungen weiter verbessern könnten.
Mit dem weiteren Fortschritt der KI in der medizinischen Bildgebung könnten Techniken wie diese dazu beitragen, die Früherkennung und Klassifizierung von Hirntumoren zu verbessern, was möglicherweise zu einer schnelleren Diagnose und individuelleren Behandlungsplänen für Patienten führen könnte.
Quelle
Faris Rustom et al, Deep Learning and Transfer Learning for Brain Tumor Detection and Classification, Biology Methods and Protocols (2024). DOI: 10.1093/biomethods/bpae080
