Ein künstliches neuronales Netzwerk erstellt synthetische Röntgenbilder, um regulatorische Einschränkungen zu überwinden
Der Austausch medizinischer Daten zwischen Laboren und medizinischen Experten ist wichtig für die medizinische Forschung. Der Datenaustausch ist jedoch aufgrund der strengen Datenschutzgesetzgebung in Europa oft ausreichend komplex und manchmal sogar unmöglich. Forscher des Digital Health Intelligence Laboratory der Universität Jyväskylä haben sich dem Problem angenommen und ein künstliches neuronales Netzwerk entwickelt, das synthetische Röntgenbilder erstellt, die selbst medizinische Experten täuschen können.
Eine Gruppe von Forschern des AI Hub Central Finland-Projekts der Universität Jyväskylä entwickelte eine KI-basierte Methode zur Erstellung synthetischer Knie-Röntgenbilder, um echte Röntgenbilder bei der Klassifizierung von Knie-Osteoarthritis zu ersetzen oder zu ergänzen.
Die Forscher verwendeten synthetisch erzeugte Röntgenbilder, um einen Datensatz mit echten Röntgenbildern aus der Osteoarthritis-Studie zu ergänzen. Die Authentizität der Bilder wurde dann gemeinsam mit Spezialisten des Gesundheitsbezirks Mittelfinnland bewertet.
Medizinische Experten wurden gebeten, den Schweregrad der Arthrose einzuschätzen, ohne zu wissen, dass der Datensatz synthetische Bilder enthielt. In der zweiten Phase versuchten Experten, authentische und synthetische Bilder zu identifizieren. Die Ergebnisse zeigten, dass es selbst für medizinische Experten im Durchschnitt unwahrscheinlich war, zwischen echten und synthetischen Röntgenbildern zu unterscheiden.
Die Verwendung synthetischer Daten unterliegt nicht den gleichen Datenschutzbestimmungen wie echte Daten. Die Nutzung synthetischer Daten kann die Zusammenarbeit beispielsweise zwischen Forschungsgruppen, Unternehmen und Bildungseinrichtungen erleichtern.“
Sami Äyrämö, Leiter, Digital Health Intelligence Laboratory, Universität Jyväskylä
Laut Äyrämö beschleunigt die Verwendung synthetischer Daten auch Genehmigungsprozesse und damit unter anderem das Testen neuer Ideen.
Die Verwendung synthetischer Daten kann zu besseren Ergebnissen in der Patientenversorgung und medizinischen Methodenentwicklung führen
Datengetriebene KI-Methoden können eingesetzt werden, um Ärzte bei der Diagnose zu unterstützen. Auch wenn das technische Potenzial von KI riesig ist, reicht die Menge an medizinischen Daten oft nicht aus. Dies ist eine zentrale Herausforderung bei der Entwicklung medizinisch wirksamer Methoden.
„Durch die Mischung von realen und synthetischen Röntgenbildern haben wir KI-basierte Arthrose-Klassifizierungssysteme verbessert“, sagt Fabi Prezja, der für die Entwicklung des künstlichen neuronalen Netzes verantwortliche Doktorand.
In Zukunft können synthetische Daten zu besseren Ergebnissen bei der Entwicklung medizinischer Methoden und der Patientenversorgung führen, insbesondere bei Erkrankungen, bei denen echte Patientendaten begrenzt sind.
„Darüber hinaus ist das neuronale Netzwerk in der Lage, synthetische Röntgenbilder nach Expertenspezifikationen zu modifizieren. Diese Fähigkeit ist sehr leistungsfähig und ermöglicht eine potenzielle zukünftige Nutzung für medizinische Ausbildungsanwendungen und Belastungstests für andere KI-Systeme“, fügt Prezja hinzu.
Die Forschung wurde in Zusammenarbeit mit dem zentralfinnischen Gesundheitsbezirk durchgeführt, dessen Direktor Juha Paloneva, Professor für Chirurgie, ist sieht in KI-basierten Diagnosemethoden einen wertvollen Weg, das Know-how eines erfahrenen Arztes zu übertragen, um die Arbeit eines jüngeren Arztes zu unterstützen.
Das nebenstehende Bild zeigt eine Reihe von Screenshots einer Animation, die zeigt, wie ein synthetisches Röntgenbild nach Expertenspezifikationen modifiziert werden kann.
„KI kann verwendet werden, um zum Beispiel schwer zu erkennende Anzeichen einer frühen Osteoarthritis aufzudecken. Die KI-Methoden für Arthrose verbessern sich jedoch immer noch, also geht die Arbeit weiter“, sagt Paloneva.
Quelle:
Referenz:
Prezja, F., et al. (2022) DeepFake Knee Osteoarthritis X-rays from Generative Adversarial Neural Networks täuschen medizinische Experten und bieten Erweiterungspotenzial für die automatische Klassifizierung. Wissenschaftliche Berichte. doi.org/10.1038/s41598-022-23081-4.
.
