In einer internationalen Kooperation hat der DFKI-Forschungsbereich Interaktives Maschinelles Lernen (IML) ein interaktives KI-System entwickelt, das mit einer Erfolgsrate von 92 Prozent auf einem speziellen, öffentlich verfügbaren Testdatensatz eine der weltweit präzisesten automatischen Diagnosen von SARS-CoV-2 anhand von CT-Scans ermöglicht.
Weitere Diagnosemöglichkeiten
Zur Erkennung des Coronavirus SARS-CoV-2 gibt es neben den weltweit eingesetzten PCR-Tests (Polymerase-Kettenreaktion) noch weitere Diagnosemöglichkeiten: Die Erkrankung lässt sich auch anhand von Computertomographie-Scans nachweisen, wozu auch Künstliche Intelligenz eingesetzt werden kann. Ein KI-System kann nicht nur die CT-Scans von Covid-19-Patientinnen und Patienten aus einem Datensatz herausfiltern, sondern zudem einschätzen, welche Bildbereiche besonders auffällig sind.
In einem neuen Forschungsvorhaben haben Prof. Dr.-Ing. Daniel Sonntag, Leiter des Forschungsbereichs Interaktives Maschinelles Lernen (IML) des Deutschen Forschungszentrums für Künstliche Intelligenz (DFKI), und Wissenschaftler Duy Nguyen gemeinsam mit Forschenden der Dublin City University (Irland), der University of California, Berkeley (USA), der VNUHCM-University of Science (Vietnam) und des Max-Planck-Instituts für Informatik einen neuen Prototyp zur automatischen Erkennung von SARS-CoV-2-Infektionen auf CT-Scans entwickelt.
Trefferquote von 92 Prozent
„Trustworthy AI for Healthcare“-Workshops der heute beginnenden 35. AAAI Conference on Artificial Intelligence vorgestellt wird, präsentieren die Forschenden einen Ansatz, um die Diagnose durch das Zusammenführen verschiedener Datenquellen zu verbessern und Fehler zu minimieren. In Testverfahren mit Forschungsdaten erreicht die Methode eine Trefferquote von 92 Prozent, nach aktuellem Stand eines der weltweit besten Ergebnisse in der automatischen Bilderkennung von Infektionen mit SARS-CoV-2 auf einem CT-Scan-Datensatz. Das Besondere an dem Verfahren ist, dass es Ärztinnen und Ärzten visuell darstellt, worauf die Diagnose basiert.
Die hinterlegte Abbildung zeigt den CT-Scan einer Lunge (links), der durch das Verfahren der automatischen Bilderkennung analysiert wird. Zudem können Patientinnen und Patienten durch eine sogenannte Milchglastrübung (Mitte) auf akute und chronische Krankheiten untersucht werden. Auf einer sogenannten Heatmap (rechts) markiert das KI-System schließlich den Bereich, auf dem die Entscheidung basiert. Die visuelle Erklärung des Assistenzsystems hat zum Ziel, die Diagnose nachvollziehbarer zu machen und Medizinerinnen und Medizinern wichtige Einsichten zu liefern: Die automatische Bilderkennung mit hoher Präzision hilft, die Infektion einzuschätzen und die Behandlung zu planen. Gerade bei Engpässen in der medizinischen Versorgung kann diese Entscheidungshilfe ein bedeutender Vorteil ein.
Quelle: Deutsches Forschungszentrum für Künstliche Intelligenz GmbH, DFKI
Originalpublikation: Ho Minh Duy Nguyen et al.; An Attention mechanism using multiple knowledge sources for Covid-19 detection from ct images; The Thirty-Fifth AAAI Conference on Artificial Intelligence (AAAI-21). AAAI Conference on Artificial Intelligence (AAAI-2021) Workshop: Trustworthy AI for Healthcare February 2-9 Vancouver BC Canada AAAI 2021.