Einer neuen Ära in der künstlichen Intelligenz der Radiologie
Derzeit stehen wir vor einer neuen Ära in der künstlichen Intelligenz der Radiologie. AI hat sich lange Zeit stark auf die Bildanalyse konzentriert und vielversprechende Ergebnisse gezeigt. Daher gibt es große Erwartungen hinsichtlich der Anwendung von KI auf radiologische Bilder.
Das ultimativen Leitfaden zur KI in der Radiologie
Die Radiologie gibt es seit über einem Jahrhundert und sie hat in dieser Zeit bedeutende Innovationen erfahren. Die Entdeckung von Röntgenstrahlen durch Wilhelm Röntgen im Jahr 1895 war der erste Durchbruch, nach dem viele weitere folgten. Positronenemissionstomographie (PET) in den 60er Jahren, Computertomographie (CT) in den frühen 70er Jahren und MRT in den späten 70er Jahren, die allein eine lange Liste verschiedener Bildgebungsoptionen enthält, mit denen Ärzte nicht nur verschiedene Strukturen, sondern auch Funktionen vom Körper messen können. Die Radiologie von Anno 2019 hat in (fast) jedem Krankenhaus eine eigene Abteilung, und die Bildgebung ist ein wesentlicher Bestandteil der meisten Patientenuntersuchungen.
Bevor wir beginnen
Grundlegende KI-Konzepte
Bevor wir beginnen, stellen wir sicher, dass wir uns vollständig verstehen, indem wir einige Konzepte definieren, die auf dieser Webseite verwendet werden.
Ein Algorithmus ist eine Reihe von schrittweisen Anweisungen, die befolgt werden können, um ein Ziel zu erreichen oder ein Problem zu lösen. Ein Kochrezept kann ein Algorithmus sein, genau wie eine Wegbeschreibung zum Krankenhaus. Meistens beziehen wir uns jedoch auf Computeralgorithmen. Hierbei handelt es sich um Computercode, mit dem bestimmte Probleme gelöst werden sollen. Wenn Sie Daten einfügen, führt der Computeralgorithmus Berechnungen basierend auf diesen Daten durch und gibt Ihnen eine Ausgabe aus. die Lösung des Problems. Im Kontext der Radiologie ist ein Algorithmus normalerweise ein Teil des Computercodes, der ein medizinisches Bild als Eingabe verwendet und eine Antwort zurückgibt, um dem Radiologen bei seiner Analyse zu helfen.
Für die meisten Algorithmen benötigen Sie einen beschrifteten Datensatz. Dies bedeutet, dass Sie für jeden Datenpunkt in Ihrem Datensatz (in der Radiologie für jedes Bild) die Grundwahrheit kennen: das Etikett. Wenn Sie beispielsweise einen Algorithmus erstellen möchten, mit dem zwischen bösartigen und gutartigen Tumoren unterschieden werden kann, müssen die medizinischen Bilder in Ihrem Datensatz Tumore enthalten und jedes Bild muss mit der Bezeichnung "gutartig" oder "bösartig" versehen sein. Auf diese Weise kann der Computer lernen, wie verschiedene Tumortypen auf den Bildern erkannt werden können.
Alle Features zusammen können im Feature-Space dargestellt werden. Eine visuelle Darstellung des Feature-Space (mit Features in einem Diagramm) kann helfen, einen Überblick über alle Feature-Werte zu erhalten. Das einfachste Beispiel ist, wenn Ihr Datensatz zwei Funktionen aufweist. Sie visualisieren dies, indem Sie ein Diagramm mit einem Merkmal auf der x-Achse und dem anderen Merkmal auf der y-Achse zeichnen. Jedes Bild kann in diesem Diagramm dargestellt werden, indem ein Punkt an der Position (X, Y) gezeichnet wird, wobei X der Bildwert für das erste Merkmal und Y der Bildwert für das zweite Merkmal ist. Durch die Analyse von Daten im (rechten) Feature-Bereich können Korrelationen leichter erkannt werden, die beim Betrachten der Originaldaten nicht erkennbar sind.
Wann immer über KI gesprochen wird, werden Wörter wie maschinelles Lernen, tiefes Lernen und Big Data herumgeworfen ... aber wer kennt sein maschinelles Lernen aus seinem tiefen Lernen? Lassen Sie uns ein klareres Bild von einigen dieser Schlagworte bekommen. In welcher Beziehung stehen KI, maschinelles Lernen und tiefes Lernen zueinander? Eine schematische Übersicht über das gesamte Feld ist in Abbildung 1 dargestellt. Künstliche Intelligenz ist ein Gebiet der Wissenschaft, wobei maschinelles Lernen ein wichtiges Teilgebiet ist und tiefes Lernen ein Teilgebiet des maschinellen Lernens ist. Die Unterscheidungsmerkmale für jedes Feld werden in den folgenden Abschnitten erläutert.
Algorithmen für maschinelles Lernen sind eine Teilmenge der Methoden der künstlichen Intelligenz, die sich dadurch auszeichnen, dass Sie dem Computer nicht im Voraus mitteilen müssen, wie das Problem zu lösen ist. Stattdessen lernt der Computer, Aufgaben zu lösen, indem er Muster in den Daten erkennt.
Um einen Algorithmus zu erstellen, benötigen Sie (fast) immer einen Datensatz, die Trainingsdaten, um loszulegen. Dieser Datensatz ist ein Stapel des Datentyps, den Ihr Algorithmus analysieren soll. In der Radiologie wären dies Bilddaten. Abhängig von der Art des verwendeten Algorithmus benötigen Sie möglicherweise auch zusätzliche Informationen. Dies können Informationen zu dem sein, was Sie auf dem Bild sehen (z. B. eine Segmentierung) oder andere Patienteninformationen.
Ein Bildmerkmal ist ein messbares Merkmal oder eine bestimmte Eigenschaft, die Sie in jedem Bild der Trainingsdaten finden können. Wenn es sich bei Ihren Eingabedaten beispielsweise um eine Reihe von Röntgenbildern der Hüfte handelt, können die Bildmerkmale die Form des Femurkopfs des Patienten umfassen, sie können jedoch auch abstrakter sein, z. B. die Verteilung der Graustufenwerte innerhalb des Femurs Kopf.
Künstliche Intelligenz wird voraussichtlich eine große Rolle bei der Transformation der radiologischen Praxis spielen. Aus diesem Grund möchten wir die Grundlagen der künstlichen Intelligenz auf hoher Ebene erläutern. Was ist das und wie funktioniert es?
Je nach Kontext können verschiedene Definitionen für künstliche Intelligenz verwendet werden. Viele dieser Definitionen verbinden menschliches Verhalten mit dem (beabsichtigten) Verhalten eines Computers. Im Fall der Radiologie decken diese Definitionen den Umfang der KI nicht ganz ab, da es viele Situationen gibt, in denen die KI die menschlichen Fähigkeiten übersteigt. In der Radio Genomik verknüpfen beispielsweise genetische Informationen mit dem, was auf medizinischen Bildern erkannt wird, und können so das Vorhandensein oder Fehlen genetischer Mutationen in einem Tumor vorhersagen, anhand derer die weitere Diagnose und Behandlung bestimmt werden kann. Ein weiteres Beispiel ist die Anwendung von Deep Learning (DL) auf die Bildrekonstruktion in MRT oder CT, die als Deep Imaging bezeichnet wird. Die Bildqualität kann durch Verwendung von DL-Algorithmen verbessert werden, die die rohen k-Raum-Daten eines MRT-Scans in ein Bild übersetzen. Eine Definition für KI, die diesen Kriterien entspricht, könnte sein
- "Ein Zweig der Informatik über die Simulation intelligenten menschlichen Verhaltens in Computern".
- Eine noch weitergehende Verfeinerung dieser Definition von KI im Kontext der Radiologie führt zu
- "Ein Zweig der Informatik, der sich mit der Erfassung, Rekonstruktion, Analyse und / oder Interpretation medizinischer Bilder durch Simulation des menschlichen intelligenten Verhaltens in Computern befasst."
Im Bereich der künstlichen Intelligenz gibt es eine breite Palette von Methoden. Wie bereits erwähnt, deckt maschinelles Lernen einen Teil dieses Bereichs ab, und Deep Learning ist eine der Methoden des maschinellen
Klassifizierungsalgorithmen klassifizieren die Eingabe, die sie erhalten. Zum Beispiel, ob ein Gehirntumor ein Oligodendrogliom oder ein Astrozytom ist, zusammen mit der Sicherheit dieser Klassifizierung. Klassifizierungsalgorithmen werden normalerweise mit beschrifteten Bildern erstellt. Da Sie genau wissen, in welche Klassen Sie Ihre Eingabe kategorisieren möchten, handelt es sich um eine überwachte Methode.
