Artificial Intelligence Algorithms for the Detection of Pathologies Related to Lung Cancer through Image Analysis using Convolutional Neural Networks and Data Augmentation: a systematic mapping of the literature

Lungenkrebs bleibt eine der größten Bedrohungen für die öffentliche Gesundheit weltweit, vor allem deshalb, weil die Früherkennung oft über Leben und Tod entscheidet. Die Standardmethode zur Aufspürung der Krankheit besteht darin, detaillierte dreidimensionale Bilder des Brustkorbs mittels Röntgenstrahlen zu erstellen, ein Verfahren, das als Computertomographie bekannt ist. Diese Bilder zeigen die komplexen Strukturen im Inneren der Lunge und ermöglichen es Ärzten, nach kleinen, abnormalen Wucherungen, sogenannten Knoten, zu suchen. Das Lesen dieser Scans ist jedoch eine anspruchsvolle Aufgabe, die hochqualifizierte Experten erfordert, um tausende von Bildern zu durchforsten – ein Engpass, der die Diagnose verzögern und den Zugang zur Versorgung einschränken kann. In den letzten Jahren ist ein neues Werkzeug entstanden, um diese Spezialisten zu unterstützen: künstliche Intelligenz. Insbesondere haben Forscher Computerprogramme entwickelt, die vom menschlichen Gehirn inspiriert sind, sogenannte neuronale Netze, die lernen können, Muster in Bildern zu erkennen, genau wie ein Mensch. Wenn diese Netzwerke speziell für Bilder konzipiert sind, nennt man sie faltende neuronale Netze (Convolutional Neural Networks). Sie arbeiten, indem sie ein Bild scannen und die wichtigsten Merkmale hervorheben, wie etwa die Form oder Textur eines Knotens, um zu bestimmen, ob dieser gefährlich ist.

Ein aktueller Rückblick auf die wissenschaftliche Literatur, durchgeführt von Pablo Ramirez Amador an der Universidad Abierta Interamericana in Buenos Aires, untersucht eingehend, wie diese Computersysteme derzeit zur Erkennung von Lungenkrebs eingesetzt werden. Die Studie untersuchte 96 Forschungsartikel, die zwischen 2015 und heute veröffentlicht wurden, und durchsuchte große wissenschaftliche Datenbanken, um die relevantesten Arbeiten auf diesem Gebiet zu finden. Das Ziel war nicht, eine einzelne neue Maschine zu testen, sondern die gesamte Landschaft der bestehenden Forschung abzubilden, um zu verstehen, welche Methoden am besten funktionieren und wo die größten Hürden bestehen. Die Forscher konzentrierten sich auf zwei spezifische Techniken, die vielversprechend sind: Transfer Learning (Transferlernen) und Data Augmentation (Datenaugmentation). Transfer Learning ermöglicht es einem Computerprogramm, das bereits gelernt hat, allgemeine Objekte wie Katzen oder Autos zu erkennen, für die spezifische Aufgabe des Aufspürens von Lungenknoten angepasst zu werden, was Zeit und Ressourcen spart. Data Augmentation ist eine Methode zur Erstellung von mehr Trainingsmaterial, indem bestehende Bilder leicht verändert werden – durch Drehen, Ändern der Größe oder Hinzufügen von etwas visuellem Rauschen –, sodass der Computer viele mehr Variationen desselben Objekts sieht und robuster lernt.

Der Rückblick ergab, dass diese Werkzeuge der künstlichen Intelligenz tatsächlich in der Lage sind, eine hocheffektive Alternative für die Frühdiagnose von Lungenkrebs zu bieten, wobei sie oft die Sensitivität und Spezifität menschlicher Experten erreichen. Die analysierten Studien zeigten, dass die Verwendung vortrainierter Netzwerke, wie etwa der bekannten VGG16 oder ResNet, in Kombination mit Data Augmentation, zu einer hohen Genauigkeit bei der Identifizierung von nicht-kleinzelligem Lungenkrebs führt, welcher die häufigste Form der Erkrankung ist. Die Computermodelle sind in der Lage, die komplexen Daten aus CT-Scans zu verarbeiten und potenzielle Probleme mit einer Präzision zu kennzeichnen, die darauf hindeutet, dass sie ein wesentlicher Bestandteil des Diagnoseprozesses werden könnten. Das Papier stellt jedoch auch klar, dass diese Technologie noch kein fertiges Produkt ist, das bereit für den sofortigen, flächendeckenden Einsatz in jedem Krankenhaus ist. Die Forscher identifizierten erhebliche Herausforderungen, die gelöst werden müssen, bevor diese Werkzeuge in klinischen Umgebungen der realen Welt vertraut werden können. Ein großes Problem ist der Mangel an standardisierten Daten; verschiedene Krankenhäuser verwenden unterschiedliche Maschinen und Protokolle, was die Computermodelle verwirren kann. Es gibt auch ernsthafte Bedenken hinsichtlich des Schutzes von Patientendaten und der Notwendigkeit, genau zu verstehen, wie der Computer zu seinen Schlussfolgerungen gelangt – eine Eigenschaft, die als Erklärbarkeit (Explainability) bekannt ist, damit Ärzte dem Rat, den sie erhalten, vertrauen können.

Letztlich kommt die Arbeit zu dem Schluss, dass die künstliche Intelligenz zwar ein immenses Potenzial besitzt, die Versorgung von Patienten mit Lungenkrebs zu verbessern, sie aber keine magische Lösung ist, die menschliche Ärzte ersetzen wird. Der Weg nach vorn erfordert mehr Forschung zur Verfeinerung dieser Algorithmen sowie neue Regulierungen, um sicherzustellen, dass sie sicher, zuverlässig und ethisch vertretbar sind. Der Rückblick legt nahe, dass die Zukunft der Lungenkrebsdetektion in einer Partnerschaft liegt, in der diese leistungsstarken Computersysteme als ein zweites Paar Augen fungieren, das hilft, Krankheiten früher und genauer zu erfassen, aber nur, wenn die wissenschaftliche Gemeinschaft die aktuellen Einschränkungen bezüglich der Datenqualität und der Modelltransparenz angeht. Bis dahin bleibt die Technologie ein kraftvolles Versprechen statt eines vollendeten Standards der Versorgung, der darauf wartet, dass die notwendigen Schritte unternommen werden, um sie sicher in die Klinik zu bringen.