Construction of a Multi-Class Intelligent Diagnostic System for Thyroid Follicular Carcinoma, Lymphoma, and Follicular Adenoma Based on Improved Swin-Transformer and Ultrasound Radiomics

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel zu lösen, aber statt Fingerabdrücken oder Fußabdrücken sind Ihre Hinweise winzige, geschwungene Muster im Inneren eines Körpers. Dies ist die Welt der medizinischen Bildgebung, in der Ärzte Ultraschallwellen nutzen, um in uns hineinzublicken, ohne einen einzigen Schnitt zu setzen. Manchmal sieht ein Knoten in der Schilddrüse aus wie ein harmloser Wulst, und manchmal ist er ein gefährlicher Unruhestifter. Das Schwierige dabei? Manche dieser Unruhestifter sehen auf einem Standard-Ultraschallbild fast identisch mit den harmlosen aus. Es ist, als versuche man, den Unterschied zwischen einem echten Diamanten und einem sehr überzeugenden Stück Glas zu erkennen, nur indem man sie in einem schwach beleuchteten Licht betrachtet. Jahrelang mussten Ärzte raten, was oft zu unnötigen Operationen oder verpassten Behandlungen führte. Aber jetzt bringen Wissenschaftler Computern bei, bessere Detektive zu sein als selbst die erfahrensten menschlichen Augen, indem sie eine spezielle Art von „digitalem Gehirn“ nutzen, das Muster sehen kann, die wir nicht wahrnehmen können.

Dieses Paper erzählt die Geschichte eines neuen, superintelligenten Computersystems, das darauf ausgelegt ist, eines der schwierigsten Rätsel der Schilddrüse zu lösen: die Unterscheidung zwischen drei spezifischen Arten von Knoten, die sich sehr ähnlich sehen. Zwei davon sind verschiedene Arten von Krebs (einer namens Follikuläres Karzinom und ein weiterer, seltener Typ namens Lymphom), und einer ist ein harmloses Wachstum (Follikuläres Adenom). Der Unterschied ist entscheidend, da der seltene Krebs Medikamente benötigt, nicht eine Operation, während der andere Krebs eine Operation erfordert. Die Forscher bauten einen „digitalen Detektiv“, der zwei leistungsstarke Werkzeuge kombiniert: einen hochtechnologischen Bildanalysator, der das Gesamtbild betrachtet, und einen „Texturscanner“, der winzige Details in den Schallwellen zählt. Sie haben dieses System mit über 1.200 echten Patientenfällen trainiert und es an einer neuen Gruppe von 260 Patienten aus einem anderen Krankenhaus getestet, um sicherzustellen, dass es nicht nur die Antworten auswendig lernt.

Die Ergebnisse sind beeindruckend. Das Computersystem identifizierte die richtige Art des Knotens etwa 91 % der Zeit beim ersten Test und etwa 87 % der Zeit bei der neuen, anderen Patientengruppe. Dies ist besser als die heute verwendeten Standardmethoden und sogar besser als zwei erfahrene Ärzte allein. Wenn die Ärzte den Computer als Helfer nutzten, stieg ihre Genauigkeit um etwa 11 Prozentpunkte, und sie stimmten auch viel häufiger überein. Das System rät nicht einfach nur; es legt seine Arbeit offen, indem es genau die Stellen auf dem Ultraschallbild hervorhebt, die ihm die Hinweise gaben, und so mit den Stellen übereinstimmt, auf die die menschlichen Experten blickten. Während die Forscher zugeben, dass sie dies an noch mehr Menschen und mit verschiedenen Arten von Ultraschallgeräten testen müssen, um absolut sicher zu sein, deutet ihr Befund darauf hin, dass dieses neue Werkzeug Ärzten helfen kann, unnötige Operationen zu vermeiden und Patienten schneller zur richtigen Behandlung zu leiten.

Das Werkzeugkasten des Detektivs: Wie es funktioniert

Um zu verstehen, wie dieses neue System funktioniert, stellen Sie sich vor, Sie versuchen, einen Verdächtigen in einer Menge zu identifizieren. Sie haben zwei Möglichkeiten:

1. Das große Ganze: Sie betrachten die ganze Person, ihre Größe und wie sie geht. Das ist das, was der Swin-Transformer tut. Es ist eine Art künstliche Intelligenz, die das gesamte Ultraschallbild betrachtet und versteht, wie die großen Formen und die Beziehung der verschiedenen Teile des Bildes zueinander funktionieren.
2. Die winzigen Details: Sie zoomen auf die Textur ihrer Kleidung oder das spezifische Muster ihrer Schuhe. Das ist das, was Radiomics tut. Es zerlegt das Bild in tausende winzige mathematische Zahlen, die die Textur, Helligkeit und Muster der Schallwellen beschreiben – Dinge, die das menschliche Auge nicht sehen kann, die ein Computer aber zählen kann.

Das Problem mit früheren KI-Systemen war, dass sie diese beiden Informationsteile meist einfach zusammengeklebt haben, als würde man ein Foto neben eine Liste von Zahlen kleben. Manchmal war das Foto zu laut und die Liste der Zahlen wurde ignoriert. Oder die Liste war zu lang und das Foto ging verloren.

Der neue „schlaue Kleber“

Die Autoren dieses Papers haben einen neuen Weg erfunden, um diese Werkzeuge zu kombinieren, den sie Adaptive Weighted Fusion (AWF) nennen. Denken Sie an dies als einen smarten Mixer. Anstatt einfach das Foto und die Liste in eine Schüssel zu werfen, besitzt dieser Mixer einen speziellen Sensor. Er fragt für jeden einzelnen Patienten: „Benötigt dieser spezifische Fall mehr Hilfe vom großen Ganzen oder mehr Hilfe von den winzigen Details?“

• Wenn das Bild unscharf ist, aber die Textur klar ist, dreht der Mixer die Lautstärke der Textur auf.
• Wenn die Textur verrauscht, aber die Form klar ist, dreht er die Lautstärke der Form auf.

Dieser „schlaue Kleber“ ermöglicht es dem Computer, auf die richtigen Hinweise für jeden spezifischen Fall zu hören, anstatt einen Einheitsansatz zu verwenden. Sie fügten auch zwei spezielle Module hinzu, um dem Computer zu helfen, besser zu fokussieren: eines, das das Bild in verschiedenen Größen betrachtet (wie Zoomen hinein und hinaus), und eines, das wie ein Scheinwerfer wirkt, der die wichtigsten Teile des Bildes hervorhebt und den Hintergrundlärm ignoriert.

Der große Test: Kann es die Experten schlagen?

Die Forscher haben das System nicht nur gebaut; sie haben es einer strengen Prüfung unterzogen.

• Das Training: Sie speisten das System mit Daten von 1.224 Patienten.
• Der Test: Sie testeten es an einer frischen Gruppe von 184 Patienten aus demselben Krankenhaus.
• Der Realitätscheck: Sie testeten es an 260 Patienten aus einem anderen Krankenhaus mit anderen Ultraschallgeräten. Dies ist entscheidend, denn es beweist, dass das System nicht nur die Bilder des ersten Krankenhauses auswendig lernt, sondern tatsächlich die Regeln der Krankheit lernt.

Die Ergebnisse:

• Genauigkeit: Der Computer lag in 90,76 % der Fälle richtig beim internen Test und bei 87,31 % beim externen Test.
• Den Standard schlagen: Es war signifikant besser als sechs andere populäre KI-Methoden und der Standard-"Swin-Transformer" ohne seine speziellen Upgrades.
• Menschen helfen: Als zwei erfahrene Ärzte (einer mit 10 Jahren Erfahrung und einer mit 8) den Computer als Zweitmeinung nutzten, stieg ihre Genauigkeit im Durchschnitt um 10,60 Prozentpunkte. Vor dem Einsatz des Computers stimmten sie zu etwa 65 % überein; mit dem Computer stimmten sie zu 82 % überein.

Warum das wichtig ist (und was es noch nicht kann)

Der spannendste Teil dieser Geschichte ist, dass der Computer besonders gut darin ist, ein Primäres Schilddrüsenlymphom (PTL) zu entdecken. Dies ist eine seltene Art von Krebs, die wie die anderen beiden aussieht, aber Chemotherapie statt einer Operation erfordert. Wenn ein Arzt es mit den anderen Typen verwechselt, könnte ein Patient unnötigerweise operiert werden. Der Computer identifizierte diesen seltenen Typ mit sehr hoher Genauigkeit (etwa 97 % im internen Test), was darauf hindeutet, dass er ein lebensrettendes Frühwarnsystem sein könnte.

Die Autoren sind jedoch vorsichtig damit, zu behaupten, dies sei ein Zauberstab, der alles löst.

• Es ist nicht perfekt: Es gab immer noch Fehler, insbesondere wenn der bösartige Knoten dem harmlosen sehr ähnlich sah.
• Es braucht mehr Daten: Die Gruppe der Patienten mit dem seltenen Lymphom war klein (131 in der Hauptgruppe). Die Autoren sagen, dass sie dies an noch mehr Menschen testen müssen, um absolut sicher zu sein, dass es für jeden funktioniert.
• Es ist ein Helfer, kein Ersatz: Das System ist darauf ausgelegt, Ärzte zu unterstützen, nicht sie zu ersetzen. Die besten Ergebnisse wurden erzielt, wenn die Ärzte den Rat des Computers nutzten, um ihre eigene Arbeit zu überprüfen.

Kurz gesagt zeigt dieses Paper, dass wir, indem wir Computer lehren, sowohl das große Ganze als auch die winzigen Details zu betrachten und ihnen zu ermöglichen, zu entscheiden, welche Hinweise für jeden Patienten am wichtigsten sind, ein Werkzeug bauen können, das Ärzten hilft, bessere, schnellere und genauere Entscheidungen für Schilddrüsenpatienten zu treffen. Es ist ein vielversprechender Schritt in Richtung einer Zukunft, in der weniger Menschen unnötige Operationen durchlaufen und mehr Menschen sofort die richtige Behandlung erhalten.