Während Millionen von Diagnose Untersuchungen werden jährlich durchgeführt, Röntgenaufnahmen des Brustkorbs spielen eine wichtige Rolle bei der Diagnose verschiedener Krankheiten. Der Nutzen derselben kann jedoch aufgrund der Herausforderungen bei der Interpretation eingeschränkt sein, die eine gründliche und schnelle Auswertung von 2D-Bildern erfordern, die komplexe 3D-Organe und Krankheitsprozesse darstellen. Manchmal können bei Röntgenaufnahmen des Brustkorbs wichtige Details übersehen werden, was zu nachteiligen Folgen für den Patienten führen kann.
Jüngste Bemühungen haben die Lunge verbessert Krebs Erkennung in der Radiologie, Differentialdiagnose in der Dermatologie und Einstufung von Prostatakrebs in der Pathologie. Und das Erhalten genauer klinischer Bezeichnungen für die Deep-Learning-Modelle zur Röntgeninterpretation.
Die meisten Bemühungen haben die regelbasierte Verarbeitung natürlicher Sprache auf radiologische Berichte oder auf der Grundlage der Bildbetrachtung durch Leser angewendet. Letztendlich kann es bei beiden zu Inkonsistenzen kommen, die zum Zeitpunkt der Modellbewertung problematisch sein können.
Deep-Learning-Modelle zur Lösung von Herausforderungen!
Um dieses Problem zu lösen, haben Forscher von Google erfunden Artificial Intelligence Modelle, um vier Befunde auf Röntgenaufnahmen der menschlichen Brust zu erkennen. Fortschritte im maschinellen Lernen bieten die Möglichkeit, neue Tools zu entwickeln, die Experten bei der Interpretation medizinischer Bilder unterstützen. Im Tagebuch Radiologie, wurden die Deep-Learning-Modelle für die Röntgenaufnahme des Brustkorbs veröffentlicht.
Das team entwickelte Deep-Learning-Modelle für vier wichtige klinische Befunde wie Pneumothorax (kollabierte Lunge), Knötchen und Raumforderungen, Luftraumtrübungen (Füllung des Lungenbaums mit Material) und Frakturen. Diese wurden in Absprache mit klinischen Kollegen und Radiologen ausgewählt, um sich auf Bedingungen zu konzentrieren, die für die Patientenversorgung von entscheidender Bedeutung sind.
Diese Deep-Learning-Modelle wurden anhand mehrerer tausend vorgehaltener Bilder aus dem Datensatz ausgewertet, für den die hochwertigen Labels mithilfe eines Gremiums-basierten Beurteilungsprozesses unter vom Gremium zertifizierten Radiologen gesammelt wurden. Später wurden die zurückgehaltenen Bilder unabhängig voneinander von separaten Radiologen überprüft, um sicherzustellen, dass sie korrekt sind.
Das team nutzte mehr als 600,000 Bilder aus zwei nicht identifizierten Datensätzen. Das erste wurde zusammen mit Co-Autoren der Apollo Hospitals entwickelt und umfasst eine Reihe vielfältiger Röntgenaufnahmen des Brustkorbs, die über mehrere Jahre hinweg aus dem Krankenhausnetzwerk verschiedener Standorte gesammelt wurden. Die zweite Version wurde von den National Institutes of Health öffentlich veröffentlicht und diente als wichtige Ressource für maschinelle Lernbemühungen. Allerdings gibt es auch Einschränkungen hinsichtlich der Genauigkeit und klinischen Interpretation der verfügbaren Etiketten.
Hochwertige Referenzstandard-Etiketten
Um qualitativ hochwertige Referenzstandardetiketten für die Modellbewertung zu generieren, muss die team hat ein Panel-basiertes Entscheidungsverfahren angewendet. In diesem Prozess überprüften drei Radiologen die endgültige Abstimmung und die Bilder des Testsatzes und gingen in einer Diskussion auf Meinungsverschiedenheiten ein. Dadurch konnten schwierige Befunde, die nur von einem einzelnen Radiologen festgestellt wurden, erfasst und dokumentiert werden. Später fanden die Diskussionen anonym über ein Schlichtungs- oder Online-Diskussionssystem statt.
Google stellt fest, dass die Modelle zwar insgesamt eine Genauigkeit auf Expertenniveau erreichten, die Leistung jedoch je nach Korpora schwankte. Beispielsweise betrug die Sensitivität für die Erkennung von Penumothorax bei Radiologen fast 79 % für Thorax-Röntgenaufnahmen14 und nur 52 % für dieselben Radiologen in anderen Datensätzen.
Das team hofft, mit einem Korpus der anerkannten Etiketten für den ChestX-ray14-Datensatz, den sie als Open Source zur Verfügung gestellt haben, den Grundstein für außergewöhnliche Methoden zu legen. Diese Komprises 2,412 Trainings- und Validierungssatzbilder und 1,962 Testsatzbilder oder insgesamt 4,372 Bilder.
Stock Foto von erstellen jobs 51/Shutterstock
Bleib dran Silicon Canals für mehr europäische Technologie news.