Are Large Multimodal Models Ready for Post-Thrombectomy mTICI Assessment? A Comparison with Physicians
Obwohl große multimodale Modelle eine übereinstimmung auf klinischem Niveau mit Ärzten bei der post-thrombolektomie-mTICI-Graduierung erreichen können, sofern ihnen Operationsberichte zur Verfügung gestellt werden, hängt ihre Leistung stark von Texteingaben ab und bricht bei der alleinigen Bewertung von Bildern signifikant ein, was darauf hindeutet, dass die menschliche Experteninterpretation für die direkte bildbasierte Reperfusionsbewertung unerlässlich bleibt.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Jedes Jahr erleiden Millionen von Menschen Schlaganfälle, die durch eine blockierte Arterie im Gehirn verursacht werden. Wenn ein großes Gefäß verstopft ist, kann der Schaden schnell und schwerwiegend sein, aber Ärzte haben ein wirkungsvolles Instrument, um dies zu stoppen: eine mechanische Thrombektomie. Bei diesem Verfahren führt ein Spezialist ein winziges Gerät durch die Blutgefäße, um das Gerinnsel physisch herauszuziehen. Der Erfolg dieser lebensrettenden Operation hängt vollständig von einer Sache ab: ob der Blutfluss zum Gehirn vollständig wiederhergestellt wurde. Um dies zu messen, verwenden Ärzte eine Standardskala, die bewertet, wie gut die Gefäße geklärt wurden, reichend von gar keinem Fluss bis hin zur vollständigen Wiederherstellung. Diese Einstufung ist entscheidend, da sie bestimmt, wie Patienten danach behandelt werden, wie Krankenhäuser ihren Erfolg verfolgen und wie Forscher verstehen, was am besten funktioniert. Die Zuweisung dieser Grade ist jedoch eine menschliche Aufgabe, und wie viele menschliche Urteile kann sie von einem Arzt zum anderen variieren. Da die künstliche Intelligenz immer leistungsfähiger geworden ist, ist eine natürliche Frage aufgetaucht: Kann ein Computer dieselben Bilder und Berichte betrachten, die ein Arzt sieht, und dasselbe Urteil mit gleicher Geschicklichkeit fällen?
Ein Forschungsteam am Universitätsklinikum Regensburg in Deutschland machte sich daran, diese Frage zu beantworten, indem es fortschrittliche Computermodelle gegen menschliche Experten antreten ließ. Sie sammelten neunzig Fälle von Patienten, die sich dem Verfahren zur Entfernung eines Gerinnsels bei einer Blockade im vorderen Teil des Gehirns unterzogen hatten. Für jeden Fall sammelten sie die digitalen Angiographiebilder, die vor und nach der Entfernung des Gerinnsels aufgenommen wurden, zusammen mit dem schriftlichen medizinischen Bericht, der den Verlauf der Operation beschrieb. Sie baten daraufhin zwei verschiedene Arten von Systemen der künstlichen Intelligenz, den Erfolg des Eingriffs zu bewerten. Das eine System war ein Allzweckmodell, das für sein breites Wissen bekannt ist, während das andere ein speziell für medizinische Aufgaben abgestimmtes Modell war. Um einen fairen Test zu gewährleisten, baten die Forscher auch vier menschliche Ärzte – zwei Neurologen und zwei Radiologen – dieselben Fälle zu bewerten. Die Ärzte und die Computer wurden unter drei verschiedenen Szenarien getestet: beim Betrachten nur des schriftlichen Berichts mit verborgenem Endergebnis, beim Betrachten nur der Angiographiebilder und beim Betrachten sowohl der Bilder als auch des Berichts zusammen.
Die Ergebnisse zeigten eine scharfe Trennung zwischen dem, was die Computer mit Worten leisten konnten, und dem, was sie mit Bildern leisten konnten. Wenn die Modelle der künstlichen Intelligenz die schriftlichen Operationsberichte erhielten, schnitten sie bemerkenswert gut ab. Insbesondere das Allzweckmodell entsprach der Genauigkeit der Gruppe der menschlichen Ärzte. Es konnte die detaillierten Beschreibungen der Operation lesen und korrekt identifizieren, wie viel Blutfluss wiederhergestellt worden war, wobei es eine Übereinstimmung mit den Experten erreichte, die praktisch ununterscheidbar war. In diesem textbasierten Setting war der Computer genauso zuverlässig wie die menschlichen Spezialisten. Sobald jedoch die Bilder aus der Gleichung entfernt wurden und die Modelle aufgefordert wurden, den Eingriff allein basierend auf dem schriftlichen Bericht zu bewerten, blieb ihre Leistung zwar stark, aber als sich das Blatt wendete und die Modelle gezwungen wurden, nur die Angiographiebilder ohne begleitenden Text zu betrachten, brach ihre Leistung zusammen. Die Fähigkeit des Allzweckmodells, mit den menschlichen Experten übereinzustimmen, sank signifikant, und das medizinisch abgestimmte Modell schnitt noch schlechter ab, da es im Grunde davon ausging, dass fast jeder Eingriff erfolgreich gewesen sei, ungeachtet dessen, was die Bilder zeigten.
Die menschlichen Ärzte hingegen litten nicht unter diesem Leistungsabfall. Ob sie nun den Bericht lasen oder die Bilder betrachteten, ihre Fähigkeit, den Eingriff zu bewerten, blieb konsistent hoch. Dies deutet darauf hin, dass die Systeme der künstlichen Intelligenz zwar exzellent darin sind, die Sprache zu verarbeiten, die Ärzte verwenden, um ihre Arbeit zu beschreiben, sie aber noch nicht gelernt haben, die komplexen Flussmuster in den Bildern so zu „sehen“, wie es ein geschulter Spezialist tut. Die Studie zeigt, dass diese Modelle derzeit eher wie anspruchsvolle Leser agieren, die Informationen aus einer Geschichte extrahieren können, als wie unabhängige Beobachter, die visuelle Daten interpretieren können. Die Forscher fanden heraus, dass die Modelle ihren Erfolg fast ausschließlich aus dem Text bezogen; das Hinzufügen der Bilder zum Text verbesserte ihre Punktzahlen nicht, und das Entfernen des Textes ließ sie kämpfen.
Letztlich kommt die Studie zu dem Schluss, dass diese fortschrittlichen Computermodelle bereit sind, bei den Dokumentations- und Datenerfassungsaspekten der Schlaganfallversorgung zu unterstützen, wie etwa beim automatischen Auslesen von Erfolgsgraden aus schriftlichen Berichten für Forschungs- oder Qualitätskontrollen. Sie können helfen, die Art und Weise, wie Informationen erfasst werden, zu standardisieren. Sie sind jedoch noch nicht bereit, das menschliche Auge zu ersetzen, wenn es darum geht, die Bilder selbst zu betrachten. Für die direkte Beurteilung, ob ein Blutgefäß erfolgreich wieder geöffnet wurde, bleibt die visuelle Expertise eines geschulten Arztes unerlässlich. Die Technologie hat einen Punkt erreicht, an dem sie die Geschichte der Operation verstehen kann, aber sie kann das Bild noch immer nicht sehen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.