Enhancing Clinical Decision Support Through Explainable AI: A Comparative Study of CNN and Vision Transformer Models for Skull Fracture Detection in CT Scans

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel in einem verschlossenen Raum zu lösen. In der Welt der Medizin ist dieser Raum der menschliche Kopf, und das Rätsel ist ein verborgener Riss im Schädel – eine Fraktur, die durch einen Stoß oder einen Sturz verursacht wurde. Um hineinzusehen, ohne die Tür aufzubrechen, verwenden Ärzte eine spezielle Art von Röntgenaufnahme, einen CT-Scan, der hunderte von dünnen Schichten des Gehirns wie die Seiten eines Buches aufnimmt. Aber das Lesen all dieser Seiten ist erschöpfende Arbeit. Manchmal sind die Risse so dünn und tückisch, dass sie wie ganz normale Linien im Knochen aussehen können, und selbst erfahrene Ärzte können sie übersehen. Hier kommt die „Künstliche Intelligenz“ (KI) ins Spiel. Stellen Sie sich die KI als einen superschnellen Roboter-Assistenten vor, der alle Seiten in Sekundenschnelle lesen kann. Aber der Haken an der Sache ist: Roboter sind oft wie „Black Boxes“. Sie geben Ihnen eine Antwort, aber sie sagen Ihnen nicht, warum sie das denken. Wenn ein Roboter sagt: „Hier ist ein Riss“, man aber nicht sehen kann, worauf er schaut, könnte ein Arzt ihm nicht vertrauen. In dieser Arbeit geht es darum, einen Roboter zu bauen, der nicht nur die Risse findet, sondern auch mit dem Finger genau auf die Stelle zeigt, an der er sie gesehen hat, damit Ärzte sagen können: „Ah, ich verstehe, was Sie meinen.“

Die Forscher in dieser Studie beschlossen, zwei verschiedene Arten von Roboter-Detektiven auf die Probe zu stellen: einen, der wie ein traditionelles menschliches Auge denkt (ein CNN, speziell ResNet-50), und einen, der wie ein moderner, muster suchender Superorganismus denkt (ein Vision Transformer, speziell DeiT-Tiny). Sie wollten sehen, welcher davon besser darin ist, Schädelfrakturen in CT-Scans aufzuspüren und, was noch wichtiger ist, welcher seine Denkweise klar genug erklären kann, um im Krankenhaus vertraut zu werden.

Der große Detektiv-Showdown

Um dieses Experiment durchzuführen, versammelte das Team eine Sammlung von 4.914 CT-Schnittbildern von 15 Patienten, die sich in einem Krankenhaus in Sri Lanka Kopfverletzungen zugezogen hatten. Es ist ein bisschen so, als hätte man eine kleine Bibliothek an Krimibüchern statt einer riesigen, was den Job für die Roboter schwieriger macht. Sie bereinigten die Bilder, um die Knochen scharf und klar erscheinen zu lassen, und brachten den beiden Robotern dann bei, Frakturen zu erkennen.

Der erste Roboter, ResNet-50, ist wie ein Detektiv, der auf winzige Details zoomt. Er betrachtet kleine Bildabschnitte und prüft jeden kleinen Hügel und jede Linie. Der zweite Roboter, DeiT-Tiny, ist eher wie ein Detektiv, der einen Schritt zurücktritt, um das gesamte Bild auf einmal zu betrachten und Punkte über das gesamte Bild hinweg verbindet, um Muster zu finden.

Als die Roboter ihre Arbeit aufnahmen, waren die Ergebnisse eindeutig. Der traditionelle Detektiv, ReskNet-50, war der bessere Finder. Er identifizierte Frakturen etwa 72,6 % der Zeit korrekt und hatte einen „Score“ dafür, wie gut er Risse von normalem Knochen unterscheiden konnte (genannt AUC-ROC) von 0,800. Der moderne Detektiv, DeiT-Tiny, war etwas langsamer und weniger genau; er fand die richtige Antwort 67,3 % der Zeit und erreichte einen Wert von 0,746. Der Unterschied war kein Zufall; die Mathematik zeigte, dass es eine echte, signifikante Lücke war. Tatsächlich war ResNet-50 viel besser darin, Fehlalarme zu vermeiden (zu behaupten, es gäbe einen Riss, wo keiner war), während DeiT-Tiny dazu neigte, etwas zu aufgeregt zu sein und Risse zu sehen, wo keine waren.

Das „Warum“ hinter der Antwort

Aber ein guter Detektiv zu sein bedeutet nicht nur, die Antwort zu finden; es bedeutet auch, seinen Rechenweg aufzuzeigen. Hier wird die Geschichte interessant. Die Forscher wollten wissen: Wenn der Roboter „Fraktur“ sagt, wohin schaut er eigentlich?

Um dies zu überprüfen, baten sie einen menschlichen Experten, Kästen um die echten Frakturen auf einigen Testbildern zu zeichnen. Dann verglichen sie diese Kästen mit den „Heatmaps“, die die Roboter zeichneten, um ihren Fokus anzuzeigen. Stellen Sie sich vor, die Roboter zeichnen eine leuchtende Wolke über das Bild, um zu zeigen, wo sie den Riss vermuten.

Hier drehten sich die Rollen leicht um. Während ResNet-50 besser darin war, die Risse zu finden, war DeiT-Tiny etwas besser darin, auf sie zu zeigen. Die leuchtende Wolke des modernen Roboters überschnitt sich ein wenig mehr mit der tatsächlichen Fraktur als die des traditionellen Roboters. Dennoch war die Überschneidung für beide immer noch recht gering – denken Sie daran, dass der Roboter zwar allgemein in die richtige Nachbarschaft zeigt, aber nicht ganz an die exakte Hausnummer gelangt. Die Zahlen waren niedrig: DeiT-Tiny erreichte einen winzigen Überschneidungswert von 0,021, während ResNet-50 bei 0,006 lag. Selbst der „bessere“ Roboter war nicht perfekt darin, die exakte Stelle zu lokalisieren.

Was dies für die Zukunft bedeutet

Was ist also das Urteil? Die Studie legt nahe, dass, wenn Sie einen Roboter benötigen, der Ihnen sagt, ob ein Patient eine Fraktur hat, der traditionelle ResNet-50 derzeit die zuverlässigere Wahl ist, insbesondere wenn Sie nicht über eine riesige Menge an Daten verfügen, um ihn zu trainieren. Er ist der beständige, erfahrene Detektiv, der den Job erledigt. Wenn Sie jedoch Wert darauf legen, dass der Roboter Ihnen zeigen kann, wohin er schaut, auf eine Weise, die für das menschliche Auge etwas logischer erscheint, hat der moderne DeiT-Tiny einen leichten Vorsprung, auch wenn er nicht so gut bei der eigentlichen Erkennung ist.

Die Forscher betonen vorsichtig, dass keiner der Roboter bereit ist, einen Arzt schon jetzt zu ersetzen. Beide Roboter übersehen etwa die Hälfte der tatsächlichen Frakturen (ein „Recall“ von etwa 0,49), was bedeutet, dass sie immer noch einen Menschen brauchen, der ihre Arbeit überprüft. Aber die Studie hebt einen faszinierenden Kompromiss hervor: Manchmal ist der Roboter, der das Rätsel am besten löst, nicht derjenige, der seine Argumentation am besten erklärt.

Das Team kommt zu dem Schluss, dass wir diese Roboter, damit sie echte Partner im Krankenhaus werden können, mit mehr Daten aus verschiedenen Krankenhäusern lehren müssen und ihnen helfen müssen, noch besser darin zu werden, den genauen Ort der Verletzung anzuzeigen. Bis dahin dienen sie am besten als hilfreiche zweite Augenpaar, das verdächtige Schnitte markiert, damit der Radiologe einen genaueren Blick darauf werfen kann, um sicherzustellen, dass kein verborgener Riss unentdeckt bleibt.