Zur Erkennung von Veröffentlichung im Rahmen des „Trustworthy AI for Healthcare“-Workshops der 35. AAAI Conference on Artificial Intelligence präsentieren die Forschenden einen Ansatz, um die Diagnose durch das Zusammenführen verschiedener Datenquellen zu verbessern und Fehler zu minimieren. In Testverfahren mit Forschungsdaten erreicht die Methode eine Trefferquote von 92 Prozent – nach aktuellem Stand eines der weltweit besten Ergebnisse in der automatischen Bilderkennung von Infektionen mit SARS-CoV-2 auf einem CT-Scan-Datensatz. Das Besondere an dem Verfahren ist, dass es Ärzten visuell darstellt, worauf die Diagnose basiert.
Die Abbildung zeigt den CT-Scan einer Lunge (links), der durch das Verfahren der automatischen Bilderkennung analysiert wird. Zudem können Patientinnen und Patienten durch eine sogenannte Milchglastrübung (Mitte) auf akute und chronische Krankheiten untersucht werden. Auf einer sogenannten Heatmap (rechts) markiert das KI-System schließlich den Bereich, auf dem die Entscheidung basiert. Die visuelle Erklärung des Assistenzsystems hat zum Ziel, die Diagnose nachvollziehbarer zu machen und Medizinern wichtige Einsichten zu liefern: Die automatische Bilderkennung mit hoher Präzision hilft, die Infektion einzuschätzen und die Behandlung zu planen. Gerade bei Engpässen in der medizinischen Versorgung kann diese Entscheidungshilfe ein bedeutender Vorteil ein.
Quelle: Deutsches Forschungszentrum für Künstliche Intelligenz (DFKI)
Foto: © DFKI GmbH: CT-Scan einer Lunge (links), der durch das Verfahren der automatischen Bilderkennung analysiert wird. (Erklärung siehe Text)