Toward Multi-Modal Deep Learning for Pulmonary Disease Classification: A Texture-Based Machine Learning Pilot Study on Public Chest X-Ray Data
Diese Pilotstudie evaluiert klassische, auf Texturen basierende Methoden des maschinellen Lernens zur Unterscheidung von COVID-19 von anderen Pneumonien anhand eines öffentlichen Thorax-Röntgen-Datensatzes und erzielt eine moderate Leistung, die als Grundlage für den Vorschlag einer zukünftigen multimodalen Deep-Learning-Architektur dient.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich den menschlichen Körper als eine riesige, geschäftige Stadt vor, und die Lungen als ihre zwei massiven, luftigen Parks, in denen frische Luft hinein- und herausströmt. Manchmal werden diese Parks von Unruhestiftern – Viren, Bakterien oder Pilzen – überfallen, die den klaren Himmel in ein nebliges, wolkenverhangenes Chaos verwandeln. Ärzte verwenden spezielle „magische Kameras“ namens Röntgenaufnahmen, um Bilder dieser Parks zu machen und nach den verräterischen Anzeichen dieses Nebels zu suchen. Aber das Lesen dieser Bilder ist harte Arbeit; es ist, als versuche man, ein einzelnes spezifisches Wolkenmuster in einem Himmel voller Wolken zu finden, und es gibt nicht genug erfahrene „Wolkenbeobachter“ (Radiologen), um jedes einzelne Foto anzusehen. Hier versuchen Computer einzuspringen und als superschnelle Assistenten zu helfen, um Probleme zu entdecken. Die große Frage, die sich Wissenschaftler stellen, lautet: Können wir einen Computer lehren, auf eine Röntgenaufnahme zu schauen und sofort zu sagen: „Ah, das ist der spezifische Nebel, der durch COVID-19 verursacht wurde, und nicht einfach nur irgendein alter Nebel“?
Dieses Paper ist eine Pilotstudie – ein kleiner, sorgfältiger Testlauf – der versucht, diese Frage unter Verwendung eines sehr spezifischen, altmodischen Ansatzes zu beantworten. Anstatt den Computer zu lehren, „von Grund auf zu lernen“ wie ein menschlicher Schüler (was normalerweise Millionen von Fotos erfordert), gaben die Forscher dem Computer einen Satz einfacher, handgefertigter Werkzeuge, um die Textur der Wolken zu messen. Denken Sie daran, wie man einem Detektiv eine Lupe und ein Lineal gibt, um die Rauheit und die Richtung der Linien in einer Zeichnung zu messen, anstatt den Detektiv einfach tausende von Zeichnungen anstarren zu lassen, um es selbst herauszufinden. Sie verwendeten zwei Hauptwerkzeuge: eines, das die Richtung von Kanten zählt (wie die Linien in einer Holzmaserung), und ein anderes, das misst, wie ähnlich sich die winzigen Punkte nebeneinander sind (wie etwa zu prüfen, ob sich ein Stoff glatt oder uneben anfühlt). Sie testeten diese Werkzeuge an einer kleinen, öffentlichen Sammlung von 668 Röntgenbildern von 408 Patienten, um zu sehen, ob der Computer zwischen COVID-19-Pneumonie und anderen Arten von Pneumonie unterscheiden konnte.
Die Forscher fanden heraus, dass ihr einfacher, regelbasierter Detektiv einen ordentlichen Job machte, aber er war kein Wunderarbeiter. Durch die Kombination dieser Texturwerkzeuge mit Standard-Mathematik-Klassifikatoren (wie einer logistischen Regression, einem Random Forest und einer Support Vector Machine) erreichte der beste Performer – eine Support Vector Machine – das richtige Ergebnis etwa 75,4 % der Zeit. Dies ist eine moderate Verbesserung gegenüber dem bloßen Raten von „COVID-19“ bei jedem Bild, was allein deshalb 71,6 % der Zeit richtig gewesen wäre, weil es in dem Stapel mehr COVID-19-Bilder gab. Der Computer schaffte es auch, die beiden Arten von Pneumonie mit einem Wert namens AUC von 0,755 zu unterscheiden, was besser als ein Münzwurf (0,500) ist, aber weit von Perfektion entfernt liegt.
Die Autoren sind sich jedoch der Grenzen dieses Experiments sehr bewusst. Sie schließen explizit die Idee aus, dass dieses System bereit sei, in einem echten Krankenhaus zur Diagnose von Patienten eingesetzt zu werden. Sie weisen darauf hin, dass der Datensatz klein war und aus verstreuten Fallberichten stammte statt aus einer systematischen Patientengruppe, was die Ergebnisse verzerrt haben könnte. Sie merken auch an, dass es schwierig war, für den Computer ein klares Muster zu erlernen, da die Gruppe der „anderen Pneumonien“ eine Mischung aus vielen verschiedenen Ursachen (viral, bakteriell, fungal) war. Entscheidend ist, dass sie sich dagegen aussprechen, massive, komplexe „Deep-Learning“-Systeme auf einem so kleinen Datensatz einzusetzen, und warnen, dass dies wahrscheinlich dazu führen würde, dass der Computer lediglich die Antworten auswendig lernt (Overfitting), anstatt tatsächlich zu lernen.
Anstatt einen Sieg zu beanspruchen, nutzt das Paper diese bescheidenen Ergebnisse als Sprungbrett. Die Autoren schlagen vor, dass während diese einfache, texturbasierte Methode beweist, dass es irgendein Signal zu finden gibt, die wahre Zukunft in der Entwicklung eines viel anspruchsvolleren „multimodalen“ Systems liegt. Sie schlagen eine zukünftige Architektur vor, die verschiedene Arten von leistungsstarker KI (wie Convolutional Networks und Transformer) kombiniert und Röntgenbilder mit den medizinischen Unterlagen der Patienten mischt. Aber sie betonen, dass dies nur ein Vorschlag für zukünftige Arbeiten ist. Um dies zu verwirklichen, sagen sie, dass wir viel größere, vielfältigere Datensätze aus vielen verschiedenen Krankenhäusern und strenge ethische Prüfungen benötigen. Für den Moment dient dieses Paper als transparenter, reproduzierbarer Referenzwert – ein bescheidener erster Schritt, der zeigt, dass der Weg zwar klar ist, die Reise zu einem wirklich zuverlässigen KI-Arzt aber gerade erst beginnt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.