Ein KI-Modell könnte Radiologen dabei helfen, Gehirnanomalien in MRT-Scans zu erkennen

Ein KI-Modell könnte Radiologen dabei helfen, Gehirnanomalien in MRT-Scans zu erkennen

Ein neues KI-Modell könnte Radiologen dabei helfen, Gehirnanomalien in MRT-Scans bei allen Erkrankungen zu erkennen, einschließlich Schlaganfall, Multipler Sklerose und Hirntumoren.

Die Studie wurde von Forschern des King’s College London geleitet und in veröffentlicht Radiologie-KIzeigt, wie KI die wachsenden Rückstände aufgrund des Mangels an Radiologen sowie der seit über einem Jahrzehnt von Jahr zu Jahr steigenden Nachfrage nach MRTs bewältigen könnte.

Diese Rückstände könnten zu Behandlungsverzögerungen und schlechteren Patientenergebnissen führen, da MRT-Scans für die Diagnose und Überwachung einer Reihe von Hirnerkrankungen wie Tumoren, Schlaganfällen und Aneurysmen von entscheidender Bedeutung sind.

KI könnte dazu beitragen, den Druck auf radiologische Abteilungen zu verringern, indem sie Scans selektiert und die Berichtsgeschwindigkeit erhöht.

Zu diesem Zweck wurde das Modell zunächst gebeten, zwischen „normalen“ und „abnormalen“ Scans zu unterscheiden, was ihm im Vergleich zu den Beurteilungen erfahrener Radiologen genau gelang.

Anschließend wurde es anhand neuer MRT-Scans, die nicht in den Trainingsdaten enthalten waren, an bestimmten Erkrankungen wie Schlaganfall, Multipler Sklerose und Hirntumoren getestet und konnte diese genau erkennen.

Die meisten KI-Modelle werden derzeit mit großen Datensätzen erstellt, die von erfahrenen Radiologen manuell beschriftet werden – deren Erstellung teuer und zeitaufwändig ist.

Um dieses Problem zu lösen, entwickelte das Team ein KI-Modell, das sich – ohne dass erfahrene Radiologen erforderlich waren – anhand von über 60.000 vorhandenen MRT-Scans des Gehirns trainierte und gleichzeitig die entsprechenden radiologischen Berichte verwendete.

Indem wir das System auf Scans und die Sprache trainieren, die Radiologen zu deren Beschreibung verwenden, können wir ihm beibringen, zu verstehen, wie Anomalien aussehen.“

Dr. Thomas Booth, leitender Autor der Studie, Dozent für Neuroimaging am King’s College London und beratender Neuroradiologe am King’s College Hospital

Die Forscher entwarfen das Modell auch so, dass das System bei einem Scan oder einer Textabfrage wie „Gliom“, einer Art Gehirntumor, ähnliche Fälle suchen und abrufen konnte, was möglicherweise die diagnostische Überprüfung oder Lehre unterstützte.

Die Studie weist darauf hin, dass das Modell zum Zeitpunkt des Scannens verwendet werden könnte, um abnormale Scans zu kennzeichnen und die klinische Entscheidungsfindung zu unterstützen, indem es Radiologen Ergebnisse vorschlägt, potenzielle Fehler in Berichten erkennt oder ähnliche Fälle aus früheren Untersuchungen abruft. Dies würde die Diagnose beschleunigen und Verzögerungen bei der Berichterstattung verringern, was dazu beitragen würde, die Behandlungsergebnisse für die Patienten zu verbessern.

„Der nächste Schritt besteht darin, eine randomisierte multizentrische Studie im gesamten Vereinigten Königreich durchzuführen, um zu sehen, wie die Erkennung von Anomalien die Arbeitsabläufe in der Praxis verbessert. Wir freuen uns, mitteilen zu können, dass diese Studie im Jahr 2026 in Krankenhäusern beginnen wird“, kommentierte Booth.

Quellen: