Ein neues Deep-Learning-Modell kann lernen, Krankheiten aus medizinischen Scans schneller und genauer zu identifizieren, so eine neue Forschung eines Teams von Informatikwissenschaftlern der University of Alberta und dem U of A-Spin-off-Unternehmen MEDO. Das bahnbrechende Modell ist die Arbeit eines Forscherteams der Fakultät für Naturwissenschaften – einschließlich der Beiträge von Pouneh Gorji, einer Doktorandin, die bei Flug PS752 verloren ging.
Deep Learning ist eine Art des maschinellen Lernens – ein Teilgebiet der künstlichen Intelligenz; Deep-Learning-Techniken sind Computeralgorithmen, die Muster in großen Datenmengen finden und Modelle erstellen, die dann verwendet werden können, um Vorhersagen zu treffen. Diese Modelle funktionieren am besten, wenn sie aus Hunderttausenden oder sogar Millionen von Beispielen lernen. Eine besondere Herausforderung stellt jedoch der Bereich der medizinischen Diagnostik dar, wo Forscher aus Datenschutzgründen typischerweise nur auf einige hundert medizinische Scanbilder zugreifen können.
„Wenn ein Deep-Learning-Modell mit so wenigen Instanzen trainiert wird, neigt seine Leistung dazu, schlecht zu sein“, sagte Roberto Vega, Hauptautor der Studie und Doktorand am Department of Computing Science.
„Wir haben uns in unserer Studie mit dem Problem beschäftigt, mit wenigen Trainingsinstanzen effektive Deep-Learning-Modelle für medizinische Aufgaben zu erlernen. Die Hauptidee ist, dass wir das in der medizinischen Literatur vorhandene Wissen nutzen können, um den Lernprozess besser zu steuern.“
Die Leistungsverbesserungen resultieren aus dem Training des Algorithmus mit medizinischen Bildern sowie der entsprechenden „probabilistischen“ Diagnose, die indirekt von medizinischen Experten bereitgestellt wird. Dieser Ansatz ermöglicht es dem Algorithmus, die Muster zu lernen, die jede Krankheit in Scans charakterisieren, und ermöglicht es ihm, vorherzusagen, welche Krankheit in einem Scan eines neuen Patienten angezeigt wird oder ob der Scan gesund aussieht.
„Unser Ansatz verbesserte sowohl die Klassifikationsgenauigkeit des Modells als auch ein aussagekräftiges Vertrauen in seine Vorhersage, indem er die Wahrscheinlichkeit abschätzt, dass eine Krankheit in einem Scan vorhanden ist“, sagte Vega.
„Mit dieser Forschung wollen wir Radiologen bessere Werkzeuge an die Hand geben, die ihre Arbeit einfacher, schneller und effektiver machen. Wir haben auch das Problem des knappen medizinischen Personals, das in Entwicklungsländern noch verschärft wird. Wir hoffen, dass wir Modelle entwickeln können, die es unseren medizinischen Experten ermöglichen, bessere Entscheidungen zu treffen.“
Die Arbeit vieler
Die Forschung umfasst bedeutende Beiträge von Pouneh Gorji, einer posthumen Absolventin des Department of Computing Science und Opfer der Tragödie von Flug PS752. Im Januar 2020 reisten Gorji und Arash Pourzarabi nach Hause in den Iran, um zu heiraten, und waren zwei der vier Mitglieder der Fakultät für Naturwissenschaften unter den 176 Menschen, die bei Flug PS752 getötet wurden.
Für das Team ist die Forschung auch eine Gelegenheit, Gorjis Vermächtnis und ihre kritischen Beiträge zum Projekt zu würdigen. Als die Forscher mit dem Projekt begannen, konzentrierte sich der Algorithmus ausschließlich auf Hüftdysplasie, erklärte Vega. Gorji arbeitete an der Entwicklung von Modellen für maschinelles Lernen zur Identifizierung von Fettleber, und es war ihr Eintritt in das Team, das letztendlich zu einem Redesign des Algorithmus und dem Durchbruch in der Leistung führte.
"Das Original Algorithmus funktionierte nicht für Fettleber, also begannen Pouneh und ich zusammenzuarbeiten, um das Problem zu lösen. Nach mehreren Wochen entdeckten wir einen wichtigen Fehler im ursprünglichen Ansatz und konnten eine Lösung vorschlagen – eine, die eine neue mathematische Methode zur Bearbeitung eines Abschnitts des Modells beinhaltete“, sagte Vega.