Künstliche Intelligenz kann bei der Diagnose von Tuberkulose helfen

Wenn Sie an Tuberkulose erkrankt sind, haben wir vielleicht gute Nachrichten für Sie.

Wenn Sie an Tuberkulose erkrankt sind, haben wir vielleicht gute Nachrichten für Sie. Laut einer aktuellen Studie, Forscher Forscher künstliche Intelligenz Modelle zur Identifizierung von Tuberkulose (TB) auf Brust-Röntgenstrahlen, die Screening-und Evaluierungsbemühungen in TB-prävalenten Bereichen mit begrenztem Zugang zu Radiologen helfen können. Die Studie wurde in der Zeitschrift Radiology veröffentlicht. Nach Angaben der Weltgesundheitsorganisation ist Tuberkulose weltweit eine der zehn häufigsten Todesursachen. Im Jahr 2016 erkrankten rund 10,4 Millionen Menschen an Tuberkulose, 1,8 Millionen Menschen starben. TB kann auf der Brustbildgebung identifiziert werden, jedoch weisen TB-vorherrschende Bereiche in der Regel keine radiologische Interpretationskompetenz auf, die benötigt wird, um die Krankheit zu diagnostizieren und zu diagnostizieren. "Es gibt ein enormes Interesse an künstlicher Intelligenz, sowohl innerhalb als auch außerhalb der Medizin. Eine Lösung für künstliche Intelligenz, die Röntgenbilder kostengünstig auf Tuberkulose erkennen könnte, könnte die Reichweite der Früherkennung und Behandlung in Entwicklungsländern erweitern ", sagte Studienkoautor Paras Lakhani vom Thomas Jefferson University Hospital (TJUH). in Philadelphia.

Deep Learning ist eine Art künstlicher Intelligenz, die es Computern ermöglicht, Aufgaben auf der Grundlage bestehender Datenbeziehungen auszuführen. Ein tiefes konvolutionelles neuronales Netzwerk (DCNN), das der Gehirnstruktur nachempfunden ist, verwendet mehrere verborgene Schichten und Muster, um Bilder zu klassifizieren. Für die Untersuchung erhielten Dr. Lakhani und sein Kollege Baskaran Sundaram, M. D., 1.007 Röntgenaufnahmen von Patienten mit und ohne aktive TB. Die Fälle bestanden aus mehreren Röntgenaufnahmen der Brust von den Nationalen Gesundheitsinstituten, dem Belarus-Tuberkulose-Portal und TJUH. Die Datensätze wurden aufgeteilt in Training (68,0 Prozent), Validierung (17,1 Prozent) und Test (14,9 Prozent). Diese Fälle wurden verwendet, um zwei verschiedene DCNN-Modelle - AlexNet und GoogLeNet - zu trainieren, die von TB-positiven und TB-negativen Röntgenstrahlen lernten. Die Genauigkeit der Modelle wurde an 150 Fällen getestet, die aus den Trainings- und Validierungsdatensätzen ausgeschlossen wurden. Lesen Sie mehr darüber, wie Sie TB vorbeugen können

Das beste Modell für künstliche Intelligenz war eine Kombination aus AlexNet und GoogLeNet mit einer Genauigkeit von 96 Prozent. "Die relativ hohe Genauigkeit der Deep-Learning-Modelle ist spannend. Die Anwendbarkeit für TB ist wichtig, weil es eine Bedingung ist, für die wir Behandlungsmöglichkeiten haben. Es ist ein Problem, das gelöst werden kann ", teilte Dr. Lakhani mit. Die beiden DCNN-Modelle hatten in 13 der 150 Testfälle Meinungsverschiedenheiten. Für diese 13 Fälle bewerteten die Wissenschaftler einen Arbeitsablauf, bei dem ein erfahrener Radiologe die Bilder interpretieren und 100 Prozent der Fälle genau diagnostizieren konnte. Dieser Arbeitsablauf, bei dem ein Mensch in die Schleife einbezogen wurde, hatte eine höhere Nettogenauigkeit von nahezu 99 Prozent. Dr. Lakhani bemerkte: "Die Anwendung von Deep Learning in der medizinischen Bildgebung ist ein relativ neues Gebiet. In der Vergangenheit konnten andere maschinelle Lernverfahren nur eine gewisse Genauigkeit von etwa 80 Prozent erreichen. Mit dem tiefen Lernen gibt es jedoch Potenzial für genauere Lösungen, wie diese Forschung gezeigt hat. "" Wir hoffen, dies in einer realen Welt prospektiv anwenden zu können ... Eine Lösung für künstliche Intelligenz mit Thorax-Bildgebung kann eine große Rolle bei der Bekämpfung von TB spielen, "Fügte Lakhani hinzu. Dr. Lakhani sagte, dass das Team plant, die Modelle mit Übungsfällen und anderen tiefgreifenden Lernmethoden weiter zu verbessern. Lesen Sie mehr über Kann Tuberkulose geheilt werden?

Schau das Video: Daniel Kraft: Medicine's future? There's an app for that

Senden Sie Ihren Kommentar