Google zeigt, wie KI Lungenkrebs schneller und zuverlässiger erkennen könnte

Kategorie: Künstliche Intelligenz Gesendet 20. Mai

Neue Forschungsergebnisse von Google zeigen, wie maschinelles Lernen eines Tages verwendet werden könnte, um Anzeichen von Lungenkrebs früher als heute häufig zu erkennen.

Frühe Warnung: Danial Tse, ein Forscher bei Google, entwickelte einen Algorithmus, der eine Reihe von ausgebildeten Radiologen in Tests übertraf. Tse und Kollegen trainierten einen Deep-Learning-Algorithmus, um bösartige Lungenknoten in mehr als 42.000 CT-Scans zu erkennen. Die daraus resultierenden Algorithmen ergaben 11 % weniger falsch positive und 5 % weniger falsch negative Ergebnisse als ihre menschlichen Gegenstücke. Die Arbeit ist in einem Papier beschrieben veröffentlicht in der Zeitschrift Nature heute.

Killerproblem: Lungenkrebs tötete 2018 in den Vereinigten Staaten mehr als 160.000 Menschen und ist damit die häufigste Krebstodesursache. Und während Computertomographie (CT)-Scans ein lebensrettender Teil der Krebsvorsorge sein können, sind sie oft auch unzuverlässig.

Großes Versprechen: Tse und Kollegen argumentieren, dass KI dazu beitragen könnte, das Lungenkrebs-Screening weltweit zuverlässiger zu machen, obwohl sie anerkennen, dass die Arbeit an größeren Patientenpopulationen validiert werden muss. Tatsächlich wächst das Interesse am Einsatz von KI zur Erkennung vieler Krebsarten. Forscher haben gezeigt, wie maschinelles Lernen verwendet werden kann, um beides zu erkennen Brustkrebs und Hautkrebs , zum Beispiel.

Kleine Schritte: Diese Studien sind spannend, sollten aber als kleine Fortschritte behandelt werden. Aus Datenschutzgründen und weil reale Datensätze selten so perfekt sind wie die in Forschungsstudien verwendeten, bleibt es eine Herausforderung, KI im Gesundheitswesen einzusetzen.

Es ist auch erwähnenswert, dass die Behandlung von Krebs viel mehr umfasst, als nur die Krankheit überhaupt zu erkennen. Die Bestimmung des richtigen Behandlungsverlaufs kann beispielsweise von einer Reihe von Faktoren abhängen, die von Patient zu Patient stark variieren, was die Automatisierung dieses Teils des Prozesses erheblich erschwert.