Samstag, 23. September 2017
Benutzername
Passwort
Registrieren
Passwort vergessen?

Home
e-journal
Der Aktuelle Fall
CME online
News
Gesundheitspolitik
Fachgesellschaften
Therapiealgorithmen
Videos
Veranstaltungen
Broschüren


Suche
Archiv
Buchbestellung
Newsletter
Probe-Abo
Impressum


journalmed.de


Anzeige:
 
 
Anzeige:
 
 

JOURNAL ONKOLOGIE – Artikel
Zurück
Zurück
E-Mail
Email
Drucken
Drucken
Zum Bewerten bitte anmelden!
02. August 2017 Seite 1/2

Deep Learning in der Medizin

M. Wenzel, Fraunhofer MEVIS, Bremen.

Computer sind eine enorme Erleichterung bei Routinetätigkeiten. Aber mit den wachsenden kognitiven Fähigkeiten moderner Ansätze werden sie vielmals auch als Bedrohung empfunden, denn sie überflügeln Menschen in manchen Aufgaben. Das veranlasst bereits manche Computerexperten dazu, den baldigen Untergang ganzer Berufsbilder wie z.B. der Radiologie vorherzusagen. Trainierte Lernmaschinen lösten bereits Experten ab und leiteten diese Entwicklung ein, so die Begründung. Was aber können diese Maschinen bereits wirklich? Was sind die Grundlagen dieser „kognitiven Computer“, was ihre Voraussetzungen und Grenzen? Ist es nur ein Hype oder der Anfang einer letzten digitalen Revolution? Diesen Fragen soll dieser Artikel als Beginn einer losen Serie nachgehen.
Anzeige:
 
 
Interdisziplinäre Fallkonferenz. Die Patientin ist 39 Jahre alt und hat zufällig einen Knoten in ihrer rechten Brust ertastet. Ihre Gynäkologin hat sie in ein Brustkrebszentrum überwiesen, wo ihre Patientenakte bereits von einem Computer analysiert wurde, bevor sie sich überhaupt das erste Mal vorstellte. Weil sie mit hoher Wahrscheinlichkeit zur Risikogruppe gehört, empfahl der Computerassistent eine Magnetresonanz-Tomographie mit einem Protokoll, das in dieser Gruppe eine besonders hohe Spezifität bietet. Ein Analysesystem arbeitete die medizinischen Bilder auf und empfahl eine Biopsie. Die histopathologischen Schnitte aus der entnommenen Gewebeprobe wurden digitalisiert und von einem weiteren Computer-basierten Analysesystem quantitativ ausgewertet. Unter Einbezug der radiologischen Aufnahmen schlägt das klinische Entscheidungsunterstützungssystem vor, der Patientin eine neoadjuvante Chemotherapie anzubieten, die mit sehr hoher Wahrscheinlichkeit den Tumor stark schrumpfen lässt. Die Expertenrunde ist sich zunächst uneinig über diese Empfehlung, weil die in diesem Kollektiv häufig heterogenen Tumore schlecht auf die Primärtherapie ansprechen. Doch das Computersystem zeigt in der quantitativen Analyse der Tumorzusammensetzung in den Feingewebeproben eine ausreichende Homogenität, und belegt die Vorhersagewahrscheinlichkeit mit Referenzen aus aktuellen Studien.

Was wie Zukunftsmusik klingt, ist in seinen Bestandteilen heute schon möglich und teils sogar kommerziell verfügbar. Computer können Studien lesen und in eine Wissensdatenbank einpflegen und mit konkreten Daten verknüpfen. Sie sind in der Lage, hochaufgelöste Bilder wie z.B. Mammogramme, MRTs und digitale Histopathologie schnell und zuverlässig zu analysieren und in quantitative Aussagen zu komprimieren. Sie können aus klinischen Daten die Wahrscheinlichkeit für zukünftige Krankheiten vorhersagen und vieles mehr. Wird der Computer so also zum Kollegen oder doch eher zum Konkurrenten?

In der Vergangenheit wurde oft die Ankunft künstlicher Intelligenz (KI) prognostiziert. Gemeint waren Computer, die zu logischer Schlussfolgerung in der Lage waren. Heute hat sich der Begriff gewandelt und wird meist mit einer speziellen Methode des maschinellen Lernens, dem Deep Learning, gleichgesetzt, mit der die jüngsten Durchbrüche hin zu kognitiven Maschinen erreicht wurden. Deep Learning ist das Feld innerhalb des maschinellen Lernens, das sich dem Training von Computern mit großen Datenmengen widmet. Deep Learning hat vor wenigen Jahren mit Erfolgen bei spezifischen Fragestellungen das Feld des maschinellen Lernens aufgerollt, die mit keiner anderen Methode erreicht werden konnten. Heute gibt es eine kaum noch überschaubare Palette kognitiver Aufgaben, für die Lösungen auf Basis eines Deep-Learning-Ansatzes vorgeschlagen wurden, und auch medizinische Fragestellungen hat die Entwicklung bereits erreicht (vgl. z.B. das Sonderheft zu Deep Learning in Medical Imaging; IEEE Transaction in Medical Imaging, Issue 5, May 2016).
 
Abb. 1: Computer detektieren und klassifizieren Strukturen mit hoher Genauigkeit. Oben: Labeling von 6 Knochenstrukturen in CT-Bildern; unten: Segmentierung der Leber und Detektion von Leberläsionen. © 2017 FRAUNHOFER MEVIS
Abb. 1: Computer detektieren und klassifizieren Strukturen mit hoher Genauigkeit.


Die Basis von Deep Learning sind sog. Neuronale Netze. Sie wurden schon vor mehr als 50 Jahren entwickelt und seitdem erforscht (1-3). Neuronale Netze werden aus mathematischen Modellen von Neuronen zusammengesetzt, die ihren biologischen Pendants nachempfunden sind. Ein solches künstliches Neuron ist in einem Neuronalen Netz mit anderen verbunden und sammelt deren Signale auf. Es gewichtet diese Eingangssignale, und wenn sie zusammen eine Schwelle überschreiten, emittiert es selbst ein Signal. Mathematisch handelt es sich beim „Aufsammeln“ um eine simple Verkettung von Additionen und Multiplikationen, und bei der Aktivierung um eine nichtlineare Funktion. Viele verschiedene Anordnungen und Verbindungsmuster von Neuronalen Netzen sind denkbar, das Hauptproblem jedoch war lange, diese teilweise sehr komplexen Neuronalen Netze stabil zu trainieren. Zwar ist der grundlegende Algorithmus dafür seit langem bekannt (4, 5), doch erst durch seine Weiterentwicklung und die billige Verfügbarkeit von Rechenkapazitäten auf dem Niveau früherer Supercomputer können nun Neuronale Netze trainiert werden, die in der Lage sind, verschiedene kognitive Aufgaben zu lösen.

 
Im Lungenkrebsscreening müssen Verlaufsaufnahmen verglichen werden. Computeralgorithmen können Voraufnahme und Kontrolle so deformieren und überlagen, dass ein Differenzbild berechnet werden kann, das nur die Veränderungen zeigt. Im Video werden die CT-Daten visualisiert.
Augmented Reality Video Lungenstruktur
Das charakteristische Merkmal dieser neuartigen sog. Deep-Learning-Netzwerke ist ihr hierarchischer Aufbau, ganz gleich, ob sie dem Textverstehen, der Bildanalyse oder anderen Anwendungen dienen. Der hierarchische Aufbau ermöglicht es ihnen, entsprechende hierarchische Modelle zu lernen, also solche, in denen es eine Aufgabenteilung der Neuronen gibt. Es gibt gewissermaßen solche, die für einfache Aufgaben zuständig sind (Linien finden, Textur charakterisieren, häufige Buchstabenkombinationen ermitteln, Silben in der Sprache auseinanderhalten, ...), und solche, die komplexe Zusammenhänge lernen (Objekte in Bildern finden, Worte übersetzen, einen Sprecher erkennen). Was jedoch auf jeder Stufe wichtig ist für die Aufgabe des tiefen Netzes, lernen die Neuronen gemeinsam selbst. Das ist ein gravierender Unterschied zum bisherigen Ansatz, in dem Menschen die Informationen mit ihrem Vorwissen verdichteten.

Dieser Paradigmenwechsel verhalf der Methode zum Durchbruch. Die ersten aufsehenerregenden Erfolge erzielten Netzwerke, die darauf trainiert wurden, Objekte in Farbfotografien zu klassifizieren. Schnell überflügelten Deep-Learning-Netzwerke herkömmliche Methoden bei weitem, und mittlerweile machen sie bei dieser Aufgabe nur noch etwa halb so viele Fehler wie ein Mensch (Computer: ca. 3% Top-5-Error-Rate, Menschen zwischen 5% und 7%. Ein Grund ist sicher die hohe Anzahl an Objektklassen, von denen die meisten Menschen einige nicht kennen). Das gilt für erstaunlich viele verschiedene Anwendungen: gut trainierte Computerprogramme können Verkehrsschilder schneller und genauer in Videoaufnahmen erkennen, sie können besser ein falsches von einem echten Lachen unterscheiden als ein Mensch, obwohl sie nur ein Foto davon präsentiert bekommen, und sie können Hautkrebs mindestens so gut wie ein Experten-Dermatologe von gutartigen Veränderungen unterscheiden (6), und Google’s „Translate“-App findet im Kamerabild des Mobiltelefons Worte und Texte und übersetzt sie ohne Verzögerung, und vieles mehr.

Doch es verlangt einige Vorarbeit und einigen Einsatz, solche Systeme zu trainieren. Rechenleistung ist eine wichtige Zutat, und sie steht nicht allen Forschern gleichermaßen zur Verfügung. Kuratierte Daten sind die zweite, wesentliche Komponente, also Daten, die von Experten klassifiziert oder mit Kennzeichnungen versehen sind. Auch hier ist der Zugang begrenzt, und die Anforderungen sind hoch, denn die Qualität der Daten entscheidet über die Leistungsfähigkeit des gelernten Modells.
 
Vorherige Seite
1 2
Zurück
Zurück
E-Mail
Email
Drucken
Drucken
Zum Bewerten bitte anmelden!
Anzeige:
 
 
Anzeige:
 
 
 
 
Themen
CML
CUP
NET
Nutzen Sie auch die Inhalte von journalmed.de, um sich zu Informieren.
Mediadaten
Hilfe
Copyright © 2014 rs media GmbH. All rights reserved.
Kontakt
Datenschutz
AGB
Fakten über Krebs
 
EHA 2017