AI segmentation requires accounting for brain size to maintain performance on developmental MRI cohorts
Diese Studie zeigt, dass das Skalieren und Zuschneiden von Säuglings-MRT-Scans auf die Dimensionen des erwachsenen Gehirns die Leistung des Deep-Learning-Tools SynthSeg signifikant verbessert, indem die Erfolgsrate der Segmentierung in Entwicklungskohorten von 36 % auf 91 % gesteigert wird.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, einem Roboter beizubringen, verschiedene Arten von Obst zu erkennen. Sie zeigen ihm tausende Bilder von riesigen, reifen Wassermelonen und Äpfeln und bringen ihm genau bei, wie eine „Frucht“ aussieht. Aber dann geben Sie dem Roboter eine winzige, unreife Weintraube und fragen: „Ist das eine Frucht?“ Der Roboter könnte verwirrt sein. Das liegt nicht daran, dass die Traube keine Frucht ist, sondern weil der Roboter nur auf große, erwachsenengroße Früchte trainiert wurde. Er weiß nicht, wie er mit etwas umgehen soll, das so klein ist oder wie die Farben aussehen könnten, wenn die Frucht noch jung ist. Dies ist genau die Art von Rätsel, vor dem Wissenschaftler stehen, wenn sie versuchen, künstliche Intelligenz (KI) zur Untersuchung des menschlichen Gehirns einzusetzen.
In der Welt der Neurowissenschaften nutzen Forscher MRT-Scans – vergleichbar mit einem superdetaillierten 3D-Foto aus dem Inneren Ihres Kopfes –, um zu sehen, wie das Gehirn wächst und sich verändert. Lange Zeit waren KI-Tools hervorragend darin, diese Fotos bei Erwachsenen zu analysieren. Aber als Wissenschaftler versuchten, dieselben Tools auch bei Babys und Kindern einzusetzen, lag die KI oft daneben. Warum? Weil ein Babygehirn im Vergleich zu einem Erwachsenengehirn winzig ist und die Art und Weise, wie es auf einem Scan aussieht, völlig anders ist. Es ist, als würde man versuchen, die Hand eines Kleinkindes in einen riesigen Erwachsenenhandschuh zu stecken; die Form passt einfach nicht. Das ist wichtig, denn wenn wir das Gehirn eines Kindes nicht genau messen können, können wir auch keine frühen Anzeichen von Entwicklungsstörungen erkennen oder verstehen, wie das Gehirn überhaupt wächst. Die große Frage war: Kann man die KI so reparieren, dass sie für alle funktioniert, vom Neugeborenen bis zum Erwachsenen, ohne dass man für jedes Alter einen völlig neuen Roboter bauen muss?
In dieser Arbeit geht es um ein Team von Forschern, das beschloss, dieses „Handschuh-Problem“ für Gehirnscans zu lösen. Sie testeten ein populäres KI-Tool namens SynthSeg, das wie ein superintelligenter digitaler Chirurg ist, der automatisch Linien um die verschiedenen Teile des Gehirns zeichnen kann. Sie fanden heraus, dass das Tool kläglich scheiterte, wenn man ihm Scans von Babys fütterte. Von 100 Baby-Scans bestanden nur etwa 36 die Qualitätskontrolle, was bedeutete, dass die KI das Gehirn nicht zuverlässig kartieren konnte. Die Forscher erkannten, dass die KI verwirrt war, weil sie während ihres Trainings nur „erwachsene Gehirne“ gesehen hatte. Die Babygehirne waren einfach zu klein und die Scans hatten zu viel Leerraum um sie herum (wie den Hals und die Schultern), sodass die KI keinen Sinn daraus ergeben konnte.
Also entwickelten die Forscher einen cleveren zweistufigen Trick, um der KI zu helfen, Babys zu verstehen. Zuerst „streckten“ sie die Baby-Gehirnscans digital, um sie so groß wie ein Erwachsenengehirn zu machen. Es ist, als würde man in ein winziges Foto hineinzoomen, bis es den ganzen Bildschirm ausfüllt. Zweitens „beschneidet“ (cropped) sie das Bild, indem sie den ganzen zusätzlichen Hintergrund wie den Hals und die Schultern herausschneiden, damit die KI nur das Gehirn sieht, genau wie bei den Scans von Erwachsenen. Sie nannten diese neue Methode „Rescale + Crop“ (Neumaßstab + Zuschnitt).
Die Ergebnisse waren ein Wendepunkt. Als sie diesen neuen Trick anwandten, sprang die Erfolgsrate bei Baby-Scans von 36 % auf 91 %. Plötzlich konnte die KI das Babygehirn klar sehen, und die Qualitätswerte stiegen an, was der tatsächlichen Genauigkeit der Karten entsprach. Die Forscher testeten dies an einer riesigen Sammlung von 26.000 Scans von Babys bis hin zu Erwachsenen und fanden heraus, dass diese einfache Anpassung die KI über die gesamte Lebensspanne hinweg reibungslos funktionieren ließ. Sie mussten die KI nicht von Grund auf neu trainieren oder ein neues Modell bauen; sie mussten ihr nur beibringen, die Baby-Scans auf eine Weise anzusehen, die dem entsprach, was sie bereits wusste.
Die Arbeit schließt auch einige andere Möglichkeiten aus. Sie zeigt, dass das Problem nicht nur der „Kontrast“ oder die Farben in den Baby-Scans war (die sich mit der Reifung des Gehirns verändern), sondern spezifisch die Größe und das Sichtfeld. Sie fanden heraus, dass es nicht ausreichte, das Bild nur zu dehnen; man musste auch den Hintergrund beschneiden, sonst wäre die KI immer noch durch den zusätzlichen Raum verwirrt worden. Während diese Lösung für den Moment Wunder wirkt, merkt das Autorenteam vorsichtig an, dass Babygehirne nicht einfach nur „kleine Erwachsenengehirne“ sind – sie haben einzigartige Formen und Texturen, die diese Methode nicht vollständig erfassen kann. Dennoch ermöglicht dieser Fix den Wissenschaftlern, ein einziges, zuverlässiges Werkzeug zu nutzen, um die Entwicklung des Gehirns von der Geburt bis zum Erwachsenenalter zu verfolgen, was die Tür zu einem besseren Verständnis darüber öffnet, wie unsere Gehirne wachsen und was passiert, wenn dieses Wachstum vom Weg abkommt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.