AI for Mycetoma Diagnosis in Histopathological Images: The MICCAI 2024 Challenge

Stellen Sie sich den menschlichen Körper als eine geschäftige Stadt vor, in der winzige Eindringlinge wie Bakterien und Pilze versuchen, durch zerbrochene Fenster (kleine Schnitte in der Haut) einzuschleichen. Normalerweise fungiert unser Immunsystem wie eine wachsame Polizeikraft, die sie aufspürt und stoppt. Aber manchmal errichten diese Eindringlinge dauerhafte, hartnäckige Lager, die die Gebäude der Stadt (Knochen und Gewebe) zerstören und schreckliche Schmerzen verursachen. Dies ist eine Krankheit namens Myzetom. Es ist ein hinterlistiger Unruhestifter, der oft an Orten auftritt, an denen Ärzte nicht über die schicken Werkzeuge verfügen, um zu sehen, was im Inneren passiert. Um Myzetom zu diagnostizieren, muss ein Arzt eine winzige Scheibe des infizierten Gewebes unter einem Mikroskop betrachten und dabei nach kleinen Klumpen der Eindringlinge suchen, die „Körner“ (Grains) genannt werden. Das Problem dabei ist, dass das Finden dieser Körner und das Herausfinden, um welche Art von Feind es sich genau handelt (Bakterien oder Pilze), so ist, als würde man versuchen, eine ganz bestimmte Art von Nadel in einem Heuhaufen zu finden, während man eine beschlagene Brille trägt. Es erfordert einen hochqualifizierten Experten, und diese Experten fehlen oft an den Oramen, an denen die Krankheit am häufigsten vorkommt.

Hier kommt Künstliche Intelligenz (KI) ins Spiel, die wie eine superstarke Brille fungiert, die niemals müde wird. Die große Frage, die sich Forscher gestellt haben, lautet: Können wir einem Computer beibringen, auf diese mikroskopischen Bilder zu schauen, die kleinen Klumpen zu finden und uns genau zu sagen, welche Art von Keim die Unruhe stiftet? Wenn ein Computer dies tun könnte, wäre das ein Wendepunkt für Menschen in abgelegenen Gebieten, da es ihnen Zugang zu einem „virtuellen Experten“ direkt auf ihrem Bildschirm ermöglichen würde.

Das große Mikroskop-Rennen: Computern beibringen, unsichtbare Eindringlinge aufzuspüren

Im Jahr 2024 organisierte eine Gruppe von Wissenschaftlern ein hochkarätiges Rennen namens „mAIcetoma Challenge“. Stellen Sie sich das wie ein massives, internationales Videospiel-Turnier vor, aber anstatt Autos zu rennen oder Drachen zu bekämpfen, waren die Teilnehmer Teams von Programmierern und Datenwissenschaftlern, die darum wetteiferten, den besten KI-Detektiv zu bauen. Ihre Mission? Einen Algorithmus zu erschaffen, der histopathologische Bilder (das sind nur schicke, farbenfrohe Fotos von Gewebeschnitten) betrachten und zwei Dinge tun kann: erstens die kleinen „Körner“ der Krankheit finden und zweitens herausfinden, ob diese Körner von Bakterien oder Pilzen gemacht wurden.

Die Organisatoren händigten den Teams ein riesiges, standardisiertes Fotoalbum namens „MyData“ aus. Dieses Album enthielt 766 Bilder von Gewebe von 127 verschiedenen Patienten. Um einen fairen Wettkampf zu gewährleisten, wurde das Album in drei Teile aufgeteilt: einen Übungssatz (Training), einen Quiz-Satz (Validierung) und eine Abschlussprüfung (Testen). Die Teams mussten ihre KI-Modelle mit dem Übungssatz trainieren und dann beweisen, dass sie die Abschlussprüfung bewältigen können, ohne vorher in die Antworten zu spicken.

Die Teilnehmer und ihre Superkräfte

Fünf Teams erreichten das Finale, und jedes brachte eine andere Strategie mit, wie Charaktere in einem Superhelden-Team-Up:

• Team Adrian agierte wie ein akribischer Bibliothekar. Bevor sie die KI lehrten, verbrachten sie Stunden damit, das Fotoalbum zu bereinigen, Duplikate zu entfernen und unordentliche Beschriftungen zu korrigieren. Sie glaubten, dass ein Schüler besser lernt, wenn man ihm ein sauberes, organisiertes Lehrbuch gibt. Sie nutzten einen „Team-Experten“-Ansatz (Ensemble-Learning), bei dem fünf verschiedene KI-Modelle über die Antwort abstimmten und die Mehrheit gewann.
• Team Macaroon baute eine zweistufige Maschine. Zuerst agierte ihre KI wie ein Scheinwerfer, der nur auf den spezifischen Bereich leuchtet, in dem das Korn sich versteckt (Segmentierung). Dann betrachtete eine zweite KI nur diesen beleuchteten Bereich, um zu entscheiden, um welche Art von Keim es sich handelte. Sie fanden heraus, dass der Versuch, die Keimart zu erraten, während man das ganze unordentliche Bild betrachtet, zu ablenkend ist.
• Team Minions versuchte einen „Hybrid“-Ansatz. Sie bauten ein System, das lernte, die Körner zu finden und die Keimart gleichzeitig zu erraten. Sie versuchten sogar, ihrer KI einige „handgefertigte“ Hinweise zu füttern – mathematische Beschreibungen der Form und Farbe des Korns – in der Hoffnung, dass diese zusätzlichen Tipps helfen würden.
• Team Tiger nutte eine „Lupe“-Strategie. Ihre KI besaß spezielle Aufmerksamkeitsmechanismen (Attention Mechanisms), die ihr halfen, sich auf die wichtigsten Teile des Bildes zu konzentrieren und den langweiligen Hintergrund zu ignorieren. Sie verwendeten auch einen Trick namens „Cross Knowledge Distillation“, bei dem sich drei verschiedene Teile ihrer KI gegenseitig lehrten, sich auf die Antwort zu einigen, was das gesamte System intelligenter machte.
• Team VSI verfolgte einen „Plug-and-Play“-Ansatz. Sie nutzten ein vorgefertigtes, selbstkonfigurierendes KI-Tool (nnU-Net), das sich automatisch an die Daten anpasste, wie ein Anzug, der von einem Roboter maßgeschneidert wurde. Sie fügten einen abschließenden Polierschritt hinzu, um die Ränder der detektierten Körner zu schärfen.

Die Ergebnisse: Wer gewann das Rennen?

Als die Endergebnisse feststanden, waren die Resultate beeindruckend. Alle fünf Teams schafften es, die Körner mit unglaublicher Genauigkeit zu finden und erreichten auf einer gewichteten Skala über 91 %. Es stellte sich heraus, dass das Finden der kleinen Klumpen etwas ist, worin moderne KI bereits sehr gut ist, unabhängig davon, welche spezifische Strategie man verwendet.

Die zweite Aufgabe – den Unterschied zwischen bakteriellen und pilzartigen Typen zu erkennen – war jedoch viel schwieriger. Hier variierten die Ergebnisse stärker. Team Adrian belegte den ersten Platz in beiden Kategorien und erreichte einen gewichteten Wert von 93,56 % beim Finden der Körner und 96,14 % bei deren Klassifizierung. Team Macaroon belegte den knappen zweiten Platz.

Die überraschendste Entdeckung war nicht nur, wer gewonnen hatte, sondern wie sie gewonnen hatten. Das Paper legt nahe, dass es nicht die eine „perfekte“ KI-Architektur gibt, die alles andere schlägt. Stattdessen war der Schlüssel zum Erfolg eine Kombination aus Dingen: die Daten sorgfältig zu bereinigen, kluge Strategien anzuwenden, um sich auf die richtigen Teile des Bildes zu konzentrieren, und manchmal einfach ein Team von KI-Modellen gemeinsam abstimmen zu lassen. Interessanterweise fand Team Minions heraus, dass das Hinzufügen dieser zusätzlichen „handgefertigten“ Hinweise über die Form des Korns ihrer KI nicht tatsächlich half, besser zu performen, als wenn sie einfach nur aus den Bildern gelernt hätte. Dies deutet darauf hin, dass die KI intelligent genug ist, die wichtigen Details selbstständig zu erfassen, wenn die Daten gut sind.

Was dies für die Zukunft bedeutet

Das Paper kommt zu dem Schluss, dass KI definitiv bereit ist, Ärzten bei der Diagnose von Myzetom zu helfen, insbesondere an Orten, an denen Experten für Pathologie schwer zu finden sind. Die Herausforderung hat bewiesen, dass wir zuverlässige Werkzeuge bauen können, um diese Krankheiten aufzuspüren. Die Autoren weisen jedoch vorsichtig darauf hin, dass dies erst der Anfang ist. Die aktuellen KI-Modelle wurden mit einem spezifischen Satz an Bildern trainiert und könnten mehr Übung mit verschiedenen Arten von Bildern und Färbungen benötigen, bevor sie in jedem Krankenhaus der Welt eingesetzt werden können.

Das Wichtigste ist: Während die Technologie leistungsstark ist, ist das Geheimrezept nicht nur ein schickes neues Computerprogramm; es ist die Qualität der Daten und die Sorgfalt bei deren Vorbereitung. Genau wie ein Koch frische Zutaten braucht, um ein großartiges Mahl zuzubereiten, braucht KI saubere, gut organisierte Daten, um großartige Diagnosen zu stellen. Die Herausforderung hat einen neuen Maßstab gesetzt und gezeigt, dass wir mit der richtigen Zusammenarbeit zwischen Mensch und Maschine selbst die hartnäckigsten vernachlässigten Krankheiten bewältigen können.