A Deep Learning–Based Framework for Lung Cancer Detection Using Medical Imaging.

Lungenkrebs bleibt die führende Ursache für Krebstote weltweit und fordert mehr Menschenleben als Brust-, Darm- und Prostatakrebs zusammen. Die Herausforderung für Ärzte besteht nicht nur darin, die Krankheit zu finden, sondern sie früh genug zu entdecken, um einen Unterschied zu machen. Dies erfordert oft die Untersuchung tausender Bilder aus Computertomographie-Scans (CT), um nach winzigen, subtilen Anzeichen von abnormalem Gewebe zu suchen, die das menschliche Auge übersehen oder falsch interpretieren könnte. In den letzten Jahren hat ein Zweig der künstlichen Intelligenz namens Deep Learning als leistungsstarkes Werkzeug für diese Aufgabe hervorgetreten. Diese Systeme, die auf Strukturen namens faltungsneuronalen Netzwerken (Convolutional Neural Networks) basieren, sind darauf ausgelegt, die Art und Weise nachzuahmen, wie das Gehirn visuelle Informationen verarbeitet. Sie lernen, Muster zu erkennen, indem sie Bilder scannen, Kanten und Texturen identifizieren und schrittweise ein komplexes Verständnis dafür aufbauen, wie gesundes Gewebe im Vergleich zu krankem Gewebe aussieht. Das Ziel ist es, einen Computerassistenten zu schaffen, der Radiologen helfen kann, schnellere und präzisere Entscheidungen zu treffen, was potenziell Leben retten kann, indem die Krankheit entdeckt wird, bevor sie sich ausbreitet.

Ein Forscher der Coventry University und der Tribhuvan University setzte sich zum Ziel, zu testen, wie gut zwei verschiedene Arten dieser künstlichen Intelligenz-Systeme bei der Aufgabe der Diagnose von Lungenkrebs abschneiden. Er konzentrierte sich auf eine spezifische Frage, die medizinische Technologien oft plagt: Ist es besser, ein System zu haben, das extrem genau ist, aber viel Rechenleistung benötigt, oder eines, das schneller und leichter ist, aber vielleicht etwas weniger präzise? Um die Antwort zu finden, trainierten sie zwei unterschiedliche Modelle an einer Sammlung von 1.097 CT-Scan-Bildern. Diese Bilder wurden in drei Gruppen unterteilt: normale Lungen, Lungen mit benignen (gutartigen) Wucherungen und Lungen mit malignen (bösartigen) Tumoren. Der Forscher nahm diese Bilder, passte ihre Größe an und nutzte eine Technik namens Datenaugmentation, bei der leichte Variationen desselben Bildes durch Rotieren oder Spiegeln erstellt werden, um die Computer darauf zu trainieren, die Krankheit unter verschiedenen Bedingungen zu erkennen.

Das erste Modell, das sie testeten, wurde VGG16 genannt. Dies ist eine tiefe, komplexe Architektur, die wie ein hochdetailliertes Mikroskop wirkt, das die Schichten eines Bildes abträgt, um sehr spezifische, komplizierte Merkmale zu finden. Das zweite Modell, MobileNetV2, ist ein viel leichteres und schnelleres System, das darauf ausgelegt ist, effizient auf Geräten mit begrenzter Rechenleistung zu arbeiten, wie etwa Mobiltelefonen oder älteren Krankenhauscomputern. Als der Forscher diese Modelle anhand der Daten lernen ließ, war der Unterschied in ihrer Leistung eklatant. Das VGG16-Modell erwies sich als bemerkenswert scharfer Diagnostiker. Nach dem Training identifizierte es den Zustand der Lungen in 97,22 % der Testfälle korrekt. Es war besonders gut darin, zwischen den drei Kategorien zu unterscheiden, und verwechselte selten eine benigne Wucherung mit einer gesunden Lunge oder übersah einen bösartigen Tumor. Das System lernte schnell, stabilisierte seine Genauigkeit innerhalb nur weniger Trainingsrunden und behielt dieses hohe Maß an Zuverlässigkeit während der gesamten Testphase bei.

Im Gegensatz dazu hatte das MobileNetV2-Modell Schwierigkeiten, dasselbe Maß an Präzision zu erreichen. Obwohl es die Bilder viel schneller verarbeitete und weit weniger Ressourcen verbrauchte, pendelte sich seine Genauigkeit bei 68,33 % ein. Der Forscher beobachtete, dass dieses leichtere Modell benigne Wucherungen oft mit normalem, gesundem Gewebe verwechselte. Es schien die subtilen, feinkörnigen Details zu übersehen, die das tiefere VGG16-Modell problemlos erkennen konnte. Die Daten zeigten, dass MobileNetV2 zwar effizient war, aber es an der anspruchsvollen Fähigkeit zur Merkmalsextraktion mangelte, die nötig ist, um die Komplexität der Unterscheidung zwischen drei verschiedenen medizinischen Zuständen in einem einzigen Bild zu bewältigen. Die Verwechslung war nicht zufällig; das Modell deklarierte benigne Fälle häufig fälschlicherweise als normal – eine Art von Fehler, die in einem realen klinischen Umfeld, in dem das Übersehen eines potenziellen Problems riskant ist, gefährlich sein könnte.

Die Studie kommt zu dem Schluss, dass es nicht das eine „beste“ Modell für jede Situation gibt, sondern vielmehr einen klaren Kompromiss zwischen Genauigkeit und Geschwindigkeit. Die VGG16-Architektur hat gezeigt, dass für medizinische Entscheidungen mit hohem Einsatz, bei denen Präzision oberste Priorität hat, die zusätzliche Rechenleistung die Investition wert ist. Sie bietet ein Maß an diagnostischer Zuverlässigkeit, das sie für Krankenhausumgebungen geeignet macht, in denen das Ziel darin besteht, jedes Mal die richtige Antwort zu erhalten. Andererseits besitzt MobileNetV2 trotz seiner geringeren Genauigkeit dennoch einen Wert für ressourcenarme Umgebungen, in denen Geschwindigkeit und niedrige Kosten die primären Anliegen sind. Der Forscher deutet an, dass das leichtere Modell zwar noch nicht bereit ist, das genauere Modell für kritische Diagnosen zu ersetzen, aber als nützliches Werkzeug für ein schnelles Screening in Gebieten ohne fortschrittliche medizinische Infrastruktur dienen könnte. Letztendlich verdeutlicht die Arbeit, dass die künstliche Intelligenz zwar großes Versprechen für die Erkennung von Lungenkrebs hält, die Wahl der Technologie jedoch sorgfältig auf die spezifischen Bedürfnisse der Umgebung abgestimmt werden muss, in der sie eingesetzt wird.