© unsplash/@cdc

© unsplash/@cdc
Home › 
Use Cases › 
Medizinische Diagnostik anhand bildgebender Verfahren

Medizinische Diagnostik anhand bildgebender Verfahren

Use Case
Gesundheits­wesen & Pharma

Hintergrund

Die Analyse medizinischer Bilder erfordert gut ausgebildetes Personal, um eine schnelle und genaue Auswertung zu gewährleisten. Gerade in Krankenhäusern, in denen schnelle Entscheidungen getroffen werden müssen, kann eine automatisierte Analyse medizinischer Bilder Ärzte und Radiologen effizient unterstützen.

Herausforderungen

Für die automatisierte Analyse und Auswertung medizinischer Bilder kann ein machine learning (ML) Modell implementiert werden, das medizinische Bilddaten verarbeitet, um Muster und Objekte in ihnen zu erkennen, wie z.B. Tumore oder Hämatome, die durch ihre Farbe und Form identifiziert werden.

Es gibt jedoch nur wenige einheitliche medizinische Bilddatensätze von guter Qualität und mit genügend gelabelten Bildern. Dies führt zu ernsthaften Problemen bei der Anwendung von ML-Modellen auf medizinische Bilddaten, da sie eine große Datenmenge benötigen, um zuverlässige und genaue Ergebnisse zu erzielen, was im Gesundheitswesen sehr wichtig ist, wo Fehldiagnosen fatale Folgen haben können.

Hinzu kommt, dass der Entscheidungsfindungsprozess von ML-Modellen, die auf tiefen neuronalen Netzen basieren, nicht wirklich nachvollziehbar ist, sodass das medizinische Personal nicht in der Lage ist, die Ergebnisse angemessen zu validieren

Lösungsansatz

Die Verarbeitung medizinischer Bilder zur Erkennung von Mustern kann durch die Verwendung von Convolutional Neural Networks (CNN) gelöst werden, wie z.B. einem U-Net-ähnlichen Fully Convolutional Network (FCN). Entscheidend für die Bewältigung der meist kleinen Trainingsdatensätze sind multiple Augmentationsstrategien.

Um die Trainingsdaten und den Aufwand noch weiter zu reduzieren, können vortrainierte Modelle zur Bildklassifikation verwendet werden, z.B. das VGG16-Netz, die dann mit den spezifischen augmentierten Trainingsdaten spezialisiert werden.

Um die Validierungs- und Transperanzprobleme des ML-Algorithmus zu berücksichtigen, kann ein Unsicherheitsscore der Ausgabe berechnet werden

KI-News jedes Quartal

Erhalten Sie Nachrichten über Machine Learning und Neuigkeiten rund um dida.

Erfolgreich angemeldet.

Gültige Email-Adresse benötigt.

Email-Adresse bereits registriert.

Etwas ist schiefgelaufen. Bitte versuchen Sie es nochmal.

Mit dem Klick auf "Anmelden" erklären Sie sich mit unserer Datenschutzerklärung einverstanden.

dida Logo