A foundation-model-powered AI system with post-read alerts and concurrent assistance improves gastric biopsy diagnosis across 29 pathological categories

Stellen Sie sich einen Pathologen wie einen Detektiv vor, der versucht, ein Rätsel in einem winzigen, gefärbten Stück Gewebe zu lösen. Normalerweise muss er nur nach wenigen Hinweisen suchen: „Ist dort Krebs? Ist es eine bestimmte Art von Krebs?“ Aber in der realen Welt könnte das Gewebe gleichzeitig 29 verschiedene Geheimnisse verbergen – von gefährlichen Tumoren und präkanzerösen Veränderungen bis hin zu unsichtbaren Bakterien und harmlosen Wucherungen. Alle diese gleichzeitig aufspüren zu müssen, ist so, als würde man von einem Detektiv verlangen, eine Nadel, einen verlorenen Ohrring, eine Spinne und eine ganz bestimmte Art von Staub in demselben Heuhaufen zu finden, während er gleichzeitig einen 100-seitigen Bericht liest.

Dieses Paper stellt einen neuen KI-„Super-Detektiven“ vor, der in der Lage ist, alle 29 dieser Hinweise gleichzeitig zu bearbeiten. Hier ist, wie er funktioniert, was er gefunden hat und wo er noch Übung braucht.

Der Super-Detektiv mit dem magischen Gedächtnis

Die meisten KI-Detektive der Vergangenheit wurden darauf trainiert, nur nach zwei oder drei Dingen zu suchen. Dieses neue System wurde jedoch unter Verwendung eines „Foundation Models“ (Fundamentmodells) entwickelt. Stellen Sie sich das wie einen Detektiven vor, der bereits Millionen von Büchern über jede Art von menschlichem Gewebe gelesen hat, bevor er jemals eine Magenbiopsie zum ersten Mal sieht. Er hat nicht nur von Magen-Schnitten gelernt; er hat aus 70.618 Ganzschnittbildern aus dem gesamten Körper gelernt.

Da diese KI einen so massiven Vorsprung hatte, musste sie nicht alles von Grund auf neu lernen. Die Forscher mussten sie nur 10.462 Magenbiopsien zeigen, um ihr beizubringen, wie sie die 29 spezifischen Kategorien erkennt. Noch überraschender war, dass die KI lernte, exakt darauf zu zeigen, wo die Probleme lagen (wie das Zeichnen eines roten Kreises um einen Tumor), ohne dass jemals jemand ein einziges Bild mit einem gezeichneten Kreis gezeigt hatte. Sie fand den Ort ganz allein, indem sie einfach nur die endgültige Diagnose in den Krankenhausakten betrachtete.

Die zwei Arten, wie die KI hilft

Die Forscher testeten diese KI auf zwei sehr unterschiedliche Arten, vergleichbar mit dem Testen einer neuen Sicherheitsfunktion in einem Auto.

1. Das Sicherheitsnetz für die „Nachlese“ (Post-Read)
Zuerst versuchten sie die KI als „Post-Read Alert System“ (Warnsystem nach der Befundung). Stellen Sie sich einen Lehrer vor, der eine Prüfung korrigiert und sie dann einem zweiten, superschnellen Korrektor übergibt, der nur nach Fehlern sucht, die der erste Lehrer vielleicht übersehen hat.

• Die Simulation: Die Forscher nahmen Aufzeichnungen aus vier verschiedenen Krankenhäusern (mit 4.679 Fällen) und ließen die KI darüber laufen, nachdem die Ärzte ihre Arbeit bereits abgeschlossen hatten.
• Das Ergebnis: Die KI fand 17 Fälle von Krebs, die in den ursprünglichen Akten entweder übersehen oder als etwas Harmloses falsch klassifiziert worden waren. Als ein erfahrener Pathologe diese spezifischen Fälle überprüfte, stimmte er zu: „Ja, die KI hatte recht, und der ursprüngliche Datensatz war falsch.“
• Der Haken: Dies war eine Simulation. Die KI verhinderte diese Fehler nicht in Echtzeit; sie zeigte lediglich auf, was passiert wäre, wenn sie bereits vor Ort gewesen wäre. Aber es bewies, dass die KI als leistungsstarkes Sicherheitsnetz fungieren kann, um Fehler im Nachhinein zu erfassen.

2. Der „Co-Pilot“ während der Arbeit (Concurrent)
Als Nächstes testeten sie die KI als „Concurrent Assistance System“ (System zur gleichzeitigen Unterstützung). Dies ist wie ein Co-Pilot, der neben dem Detektiv sitzt und auf die Hinweise zeigt, während dieser sie betrachtet.

• Das Experiment: Sechs Pathologen betrachteten 120 Schnitte zweimal. Einmal für sich allein und einmal mit der Hilfe der KI, die verdächtige Bereiche in verschiedenen Farben hervorhebt (Rot für Krebs, Gelb für Präkanzerose, Grün für Gewebeveränderungen und blaue Umrandungen für Bakterien).
• Das Ergebnis: Mit der Hilfe der KI wurden die Pathologen besser darin, Krebs zu entdecken. Ihre Erfolgsquote stieg von 92,2 % auf 94,8 %. Sie wurden auch besser darin, „Metaplasie“ (eine spezifische Art der Gewebeveränderung) zu erkennen, wobei sie von 94,2 % auf 97,4 % sprangen.
• Die Geschwindigkeit: Sie arbeiteten auch etwas schneller fertig und reduzierten ihre durchschnittliche Zeit pro Schnitt von 43,8 Sekunden auf 41,1 Sekunden.
• Die Grenze: Die KI half nicht viel beim Aufspüren der Bakterien (H. pylori) oder der präkanzerösen „Dysplasie“ in diesem speziellen Test. Das Paper legt nahe, dass dies daran liegen könnte, dass diese Hinweise schwieriger zu sehen sind oder die Hervorhebungen der KI für diese spezifischen Aufgaben nicht so nützlich waren.

Der „Super-Lerner“ vs. der „Harte Arbeiter“

Einer der spannendsten Teile des Papers ist der Vergleich zwischen zwei Arten des Lernens.

• Der „Harte Arbeiter“: Ein Modell, das von Grund auf neu trainiert wurde, wie ein Schüler, der jedes einzelne Buch in der Bibliothek von der ersten Seite an lesen muss. Selbst als dieses Modell 10.462 Schnitte studierte, hatte es Schwierigkeiten, bestimmte komplexe Krebsarten zu finden.
• Der „Super-Lerner“ (Das Foundation Model): Dieses Modell, das sein massives Vortraining absolviert hatte, wurde nur 400 Schnitten gezeigt (200 mal Krebs, 200 mal Nicht-Krebs).
• Der Schock: Der „Super-Lerner“ mit nur 400 Schnitten schnitt besser ab als der „Harte Arbeiter“, der über 10.000 Schnitte studiert hatte. Der Super-Lerner erreichte eine nahezu perfekte Punktzahl (0,9906) beim Finden von Krebs und schlug damit die beste Punktzahl des harten Arbeiters (0,9755). Dies deutet darauf an, dass eine breite, bereits existierende Wissensbasis weitaus mächtiger ist als nur eine große Menge an Daten zum Auswendiglernen zu haben.

Was das Paper NICHT sagt

Es ist wichtig zu wissen, was diese KI noch nicht getan hat.

• Sie ist kein Ersatz: Das Paper besagt nicht, dass die KI Pathologen ersetzen kann. Tatsächlich ist die KI darauf ausgelegt, mit ihnen zusammenzuarbeiten, entweder als zweites Paar Augen oder als Sicherheitsnetz.
• Sie ist nicht für alles perfekt: Die KI hat immer noch leichte Schwierigkeiten mit sehr seltenen Arten von Tumoren, weil es nicht genügend Beispiele gab, um sie zu lehren.
• Sie ist kein magisches Mittel für Geschwindigkeit: Während sie die Pathologen etwas schneller machte, stellt das Paper fest, dass das Aufspüren von Bakterien (H. pylori) immer noch eine langsame, sorgfältige Aufgabe ist, die ein sehr genaues Hinsehen erfordert, und die KI diesen Prozess nicht wesentlich beschleunigt hat.
• Sie ist kein endgültiges Urteil: Die Ergebnisse der „Nachlese“ (Post-Read) waren eine Simulation. Das Paper argumentiert, dass wir reale, prospektive Studien benötigen (bei denen die KI tatsächlich während des laufenden Betriebs in einem Krankenhaus eingesetzt wird), um zu beweisen, dass sie im Alltag funktioniert.

Das Fazit

Dieses Paper zeigt, dass eine KI, die auf einem Fundament aus massivem, allgemeinem Wissen aufgebaut ist, lernen kann, 29 verschiedene Magenzustände mit unglaublicher Genauigkeit und sehr wenig spezifischen Trainingsdaten zu erkennen. Es legt nahe, dass die Verwendung dieser KI als „Sicherheitsnetz“, um übersehene Fehler abzufangen, und als „Co-Pilot“, um Ärzten zu helfen, Krebs schneller zu finden, ein vielversprechender Weg ist. Die Autoren betonen jedoch vorsichtig, dass die Zahlen in Simulationen und kontrollierten Tests zwar großartig aussehen, der Praxistest aber gerade erst beginnt. Die KI ist ein mächtiges neues Werkzeug, aber sie lernt noch immer, die perfekte Partnerin im Detektivbüro zu werden.