PulmoDiagAI: An Intelligent Medical Diagnosis System for Automated Pulmonary Pathology Classification using Deep Learning

Die menschliche Lunge ist ein empfindliches, verzweigtes Netzwerk aus Atemwegen und Alveolen, das darauf ausgelegt ist, mit jedem Atemzug Sauerstoff gegen Kohlendioxid auszutauschen. Wenn dieses System versagt, können die Folgen schnell und schwerwiegend sein. Zwei der drängendsten Bedrohungen für die Atemwegsgesundheit sind heute Lungenkrebs und die virale Infektion, die als COVID-19 bekannt ist. Beide Erkrankungen verbergen sich oft unbemerkt im Körper und offenbaren sich erst durch die subtilen Schatten und Texturen, die auf medizinischen Bildern wie Röntgenaufnahmen und CT-Scans sichtbar sind. Jahrzehntelang fiel die Aufgabe, diese Bilder zu interpretieren, Radiologen zu, hochqualifizierten Spezialisten, die gezwungen sind, tausende von Bildern nach den schwachen Anzeichen einer Krankheit abzusuchen. Dieser Prozess ist lebenswichtig, aber er ist auch erschöpfend und anfällig für menschliche Fehler, insbesondere wenn Ärzte durch ein hohes Patientenaufkommen überlastet sind oder wenn die Anzeichen einer Krankheit mehrdeutig sind.

In den letzten Jahren ist ein neues Werkzeug entstanden, um diese medizinischen Experten zu unterstützen: künstliche Intelligenz. Insbesondere ein Zweig der KI, das Deep Learning, ermöglicht es Computern, zu lernen, wie man Muster in Bildern erkennt – ganz ähnlich wie ein menschliches Gehirn, jedoch indem sie Millionen von Beispielen gleichzeitig verarbeiten. Forscher haben diese digitalen Systeme darauf trainiert, die charakteristischen Merkmale von Lungenentzündung, Tumoren und Virusinfektionen zu erkennen. Das Ziel ist nicht, den Arzt zu ersetzen, sondern ein zweites Paar Augen bereitzustellen, das niemals müde wird, niemals ein Detail aufgrund von Erschöpfung übersieht und eine schnelle, konsistente Meinung darüber anbieten kann, womit ein Patient konfrontiert ist. Die Frage bleibt jedoch, welcher spezifische Typ eines digitalen Gehirns für welche spezifische Krankheit am besten funktioniert und ob diese komplexen Systeme einfach genug gemacht werden können, um in einem Krankenhaus täglich eingesetzt zu werden.

Ein Team von Forschern der Mouloud Mammeri Universität in Algerien hat sich diesen Fragen mit einem neuen System namens PulmoDiagAI gestellt. Ihre Arbeit konzentriert sich auf die Entwicklung eines intelligenten Werkzeugs, das automatisch Brustbilder sortieren kann, um zwei unterschiedliche Bedrohungen zu diagnostizieren: Lungenkrebs und COVID-19. Um dieses System aufzubauen, haben sie keinen neuen Typ eines Computergehirns von Grund auf neu erfunden. Stattdessen testeten sie fünf verschiedene bestehende Architekturen – vorgefertigte Deep-Learning-Modelle, die bereits auf riesigen Bibliotheken allgemeiner Bilder trainiert wurden. Diese Modelle, bekannt unter Namen wie VGG19, ResNet50 und EfficientNet-B3, wurden angepasst, um speziell auf den menschlichen Brustkorb zu schauen. Die Forscher speisten diese Modelle mit tausenden medizinischen Bildern und lehrten sie, zwischen gesunden Lungen, gutartigen (nicht krebsartigen) Wucherungen, bösartigen (krebsartigen) Tumoren und Virusinfektionen zu unterscheiden.

Der Prozess begann mit einer sorgfältigen Vorbereitung der Bilder selbst. Medizinische Scans weisen oft Variationen in Helligkeit, Rauschen oder Kontrast auf, die einen Computer verwirren können. Das Team wandte eine Reihe digitaler Verbesserungen auf jedes Bild an, indem sie diese in Graustufen umwandelten, statisches Rauschen entfernten und den Kontrast schärften, damit die Kanten der Lungen und etwaiger Anomalien deutlich hervorstechen. Dieser Schritt war entscheidend, da er sicherstellte, dass die künstliche Intelligenz die klarstmögliche Version der Anatomie des Patienten betrachtete, bevor sie mit der Diagnose begann. Sobald die Bilder bereit waren, ließen die Forscher die fünf verschiedenen Modelle gegeneinander antreten und testeten deren Fähigkeit, den Zustand im Bild korrekt zu identifizieren.

Die Ergebnisse zeigten, dass kein einzelnes Modell perfekt für jede Aufgabe war; die beste Wahl hing vollständig von der untersuchten Krankheit ab. Bei der Identifizierung von COVID-19 aus Thorax-Röntgenaufnahmen stieg ein Modell, EfficientNet-B3, an die Spitze. Es identifizierte das Virus in 97 % der Fälle korrekt und zeigte eine außergewöhnliche Fähigkeit, zwischen infizierten Patienten, Patienten mit anderen Arten von Lungenentzündungen und gesunden Lungen zu unterscheiden. Dieses Modell erwies sich als so zuverlässig, dass es die drei Gruppen fast perfekt trennen konnte, was es zum idealen Kandidaten für die Erkennung von Virusausbrüchen machte.

Doch die Geschichte änderte sich, als das Team seine Aufmerksamkeit auf den Lungenkrebs richtete. Für diese komplexere Aufgabe, die die Analyse von CT-Scans zur Suche nach Tumoren beinhaltete, übernahm ein anderes Modell die Führung. MobileNetV3, ein Design, das ursprünglich entwickelt wurde, um leichtgewichtig und schnell für Mobilgeräte zu sein, erreichte eine beeindruckende Genauigkeit von 99 %. Noch beeindruckender war, dass sowohl MobileNetV3 als auch ein weiteres Modell namens ResNet50 jeden einzelnen Fall von bösartigem Krebs in ihren Testdatensätzen fanden. Sie haben keinen einzigen gefährlichen Tumor übersehen. Dies ist eine kritische Erkenntnis, denn in der medizinischen Vorsorgeuntersuchung ist das Übersehen einer Krebsdiagnose weitaus gefährlicher als ein Fehlalarm. Während andere Modelle manchmal Schwierigkeiten hatten, zwischen einem harmlosen Wachstum und einer gesunden Lunge zu unterscheiden, bewahrten diese Top-Performer eine scharfe Unterscheidung und stellten sicher, dass keine lebensbedrohliche Erkrankung durch das Raster fiel.

Die Forscher hielten nicht bei der bloßen Ermittlung der besten Zahlen an. Sie verstanden, dass ein leistungsstarker Algorithmus nutzlos ist, wenn ein Arzt ihn nicht einfach bedienen kann. Um diese Lücke zu schließen, entwickelten sie ein einfaches, interaktives Computerprogramm, das jeder bedienen kann. Diese Benutzeroberfläche ermöglicht es einem Kliniker, ein Brustbild hochzuladen, auszuwählen, ob er nach Krebs oder COVID-19 sucht, und eine sofortige Antwort zu erhalten. Das System sagt nicht nur „Krebs“ oder „kein Krebs“; es liefert einen Konfidenzwert, einen Prozentsatz, der dem Arzt mitteilt, wie sicher sich der Computer bei seinem Befund ist. Diese Transparenz hilft dem medizinischen Fachpersonal zu entscheiden, wie viel Gewicht es der Meinung des Computers beimessen soll, wodurch eine komplexe mathematische Berechnung in einen praktischen Assistenten für den Echtzeitgebrauch verwandelt wird.

Die Studie bestätigt, dass Deep Learning ein mächtiger Verbündeter im Kampf gegen Atemwegserkrankungen sein kann, verdeutlicht aber auch, dass es keine Einheitslösung gibt. Das beste Werkzeug zur Erkennung eines Virus ist nicht zwangsläufig das beste zur Suche nach einem Tumor. Durch die sorgfältige Abstimmung des richtigen digitalen Gehirns auf die richtige medizinische Aufgabe und die Einbettung dieser Technologie in eine benutzerfreundliche Oberfläche haben die Forscher ein System geschaffen, das bereit für die reale Welt ist. PulmoDiagAI steht als Beweis dafür, dass künstliche Intelligenz, wenn sie mit sorgfältiger medizinischer Vorbereitung kombdet wird, eine zuverlässige, schnelle und zugängliche Möglichkeit bieten kann, Ärzte beim Retten von Leben zu unterstützen.