Künstliche Intelligenz hat sich zu einem mächtigen Werkzeug im Kampf gegen Krankheiten entwickelt. Diese künstliche Intelligenz kann mögliche Folgen vorhersagen und herausfinden, wer aufgrund seiner individuellen Vorgeschichte ein erhöhtes Risiko hat, eine bestimmte Krankheit zu entwickeln. So kann KI beispielsweise helfen, das Risiko von Atemwegsinfektionen bei Militärveteranen oder älteren Erwachsenen, die kürzlich Asbest ausgesetzt waren, vorherzusagen. Diese Art von Informationen ist für die weltweite Bekämpfung von COVID-19 von entscheidender Bedeutung.
Erkennung von Mittelohrerkrankungen durch künstliche Intelligenz
Maschinelles Lernen wird eingesetzt, um die Genauigkeit der klinischen Diagnose von Mittelohrerkrankungen zu verbessern. In einer Studie verwendeten die Forscher ein digitales Hand-Otoskop, das mit einem mobilen Gerät verbunden war, um ein KI-basiertes Modell zur Erkennung von fünf häufigen Mittelohrerkrankungen zu trainieren. Das Modell zeigte eine hohe Erkennungsgenauigkeit im Vergleich zu Allgemeinmedizinern, niedergelassenen Ärzten und Fachärzten für HNO-Heilkunde.
Das KI-Modell wies eine Trefferquote von 80 % auf und übertraf damit den durchschnittlichen Kliniker. Mit diesem Modell können Kliniker häufige Mittelohrerkrankungen diagnostizieren, wenn keine medizinische Einrichtung in der Nähe ist. Die CAMs können auch Merkmalsvariationen in normalen Strukturen und Läsionen visualisieren. Diese Merkmale können zusätzliche Analysen für das CNN-Modell liefern, die zum Verständnis des Krankheitsortes beitragen können.
Das CNN-Modell hat vielversprechende Ergebnisse bei der Erkennung von Mittelohrerkrankungen gezeigt. CNN-Modelle können auf mobilen Geräten eingesetzt werden, um diese Krankheiten mit einer ähnlichen Genauigkeit zu erkennen wie größere Modelle. Zu diesem Zweck wurde ein leichtgewichtiges CNN mit der Bezeichnung MobileNetV2 entwickelt, das über eine benutzerfreundliche Schnittstelle verfügt. Es wurde erfolgreich auf 180 Bildern von chronischer eitriger Otitis media und sieben Bildern von Trommelfellretraktionen trainiert.
Das maschinelle Lernnetzwerk schnitt bei repräsentativen Mittelohrerkrankungen gut ab, konnte aber Krankheiten mit geringer Prävalenz oder schwer zu registrierende Trommelfellbilder nicht erkennen. Die Forscher empfehlen, das maschinelle Lernnetzwerk auf mehrere Arten von chronischen Mittelohrerkrankungen zu trainieren, darunter auch auf bösartige Trommelfellerkrankungen.
Das neue maschinelle Lernmodell hat das Potenzial, die Diagnose dieser Krankheiten mit hoher Genauigkeit zu verbessern. Es wird derzeit an über 1.000 Bildern von Trommelfellen von Kindern trainiert. Die Bilder wurden als normal, infiziert und abnormal gekennzeichnet und dann anhand der Diagnosegenauigkeit der Kliniker bewertet. Das Modell schnitt besser ab als die Experten.
Die Ergebnisse zeigen, dass der Algorithmus der künstlichen Intelligenz pädiatrische Mittelohrentzündungen genauer erkennen kann als Ärzte. Das KI-Modell namens OtoDX war bei 22 Bildern zu 95 Prozent genau und übertraf die klinische Genauigkeit von 65 Prozent der Ärzte. Allerdings ist das Modell noch weit davon entfernt, in der Klinik eingesetzt werden zu können.
Erkennung von Darmkrebs durch KI
Künstliche Intelligenz ist ein neuer Ansatz, der helfen könnte, Darmkrebs zu erkennen. Der Ansatz basiert auf maschinellem Lernen und kann helfen, Polypen im Dickdarm von Krebspatienten zu erkennen. Er ist noch nicht perfekt, aber sehr vielversprechend für die Zukunft. Er kann auch dazu verwendet werden, Polypen bei Patienten mit entzündlichen Darmerkrankungen auszuschließen.
Forscher schätzen, dass die Erkennung von Darmkrebs mit Hilfe von AI jedes Jahr 7194 zusätzliche Fälle und 2888 damit verbundene Todesfälle verhindern könnte. Neben der Verringerung der Inzidenz könnte die AI auch dazu beitragen, die Kosten für Koloskopien zu senken. Die künstliche Darmspiegelung könnte diese Kosten um 57 Dollar pro Person senken, verglichen mit den herkömmlichen Methoden der Koloskopie, die etwa 270 Dollar kosten.
Es ist unklar, ob die KI die Genauigkeit der Koloskopieergebnisse verbessert. Die KI-gestützte Koloskopie kann jedoch möglicherweise die Arbeitsbelastung des Pathologen verringern und die Qualität der Koloskopie verbessern. Außerdem können KI-gestützte Erkennungsinstrumente die Variabilität zwischen den Ärzten verringern.
Die KI-gestützte Koloskopie verbessert die Entdeckungsrate von Adenomen. Das KI-gestützte Koloskopiesystem ist in der Lage, kleine und schwer zu entdeckende Polypen zu erkennen. Es kann Krebs entdecken, obwohl die Mehrheit der Patienten keine Symptome gehabt hätte, wenn die Polypen klein gewesen wären. Darüber hinaus kann es zu Blutungen oder einer kleineren Darmruptur kommen.
Eine Überdiagnose kann jedoch zu unnötigen medizinischen Kosten und psychischen Belastungen für die Patienten führen. Außerdem führt sie zu einer unnötigen Überwachung und Behandlung kleiner Läsionen. Die Überdiagnose wird mit erheblichen sozioökonomischen Kosten in Verbindung gebracht. Die KI-gesteuerte Mammographie kann auch zu falsch-positiven Befunden führen.
Die neue Technologie ist darauf ausgelegt, Darmkrebs genauer zu erkennen als ein Pathologe. Ihre Genauigkeit kann anhand der Fläche unter der ROC-Kurve (Receiver Operating Characteristic) bewertet werden. Die Technologie soll später in Kliniken eingesetzt werden, um Pathologen zu unterstützen. In der Zwischenzeit könnte sie auch dazu beitragen, die Sterblichkeitsrate bei Darmkrebs zu senken.
Die Technologie ist nicht perfekt, aber sie kann helfen, Krebs in einem frühen Stadium zu erkennen. Erfahrene Pathologen haben einen vollen Terminkalender und es herrscht ein akuter Mangel an qualifizierten Pathologen. Die Erkennung von Darmkrebs durch künstliche Intelligenz könnte dazu beitragen, diesen Mangel zu beheben.
Erkennung von Diabetes durch künstliche Intelligenz
Die Erkennung von Diabetes durch künstliche Intelligenz (KI) ist eine vielversprechende Technologie, die in Gemeinschaftskliniken oder Apotheken eingesetzt werden kann. Sie kann Ärzten helfen, Diabetes ohne Blutabnahme zu diagnostizieren, und so ihre derzeitigen diagnostischen Möglichkeiten erweitern. KI kann zum Beispiel eingesetzt werden, um Diabetes anhand von Fotos der Netzhaut zu erkennen. Dies ist wichtig, da Netzhautspezialisten die Symptome von Diabetes nicht erkennen können.
Diese Methode kann sowohl zur Diagnose von Typ-1- als auch von Typ-2-Diabetes eingesetzt werden. Außerdem ist sie einfach zu bedienen und erfordert keine umfassenden medizinischen Kenntnisse. Außerdem kann sie leicht in abgelegene Gebiete transportiert werden, in denen es möglicherweise keine medizinischen Einrichtungen gibt. Die Technik kann innerhalb von Minuten genaue Ergebnisse liefern. Außerdem kann sie in einer Vielzahl von Situationen eingesetzt werden, z. B. bei Diabetes bei Kindern und bei älteren Menschen.
Ziel der ersten Studie war es, die Empfindlichkeit der KI bei der Erkennung von Diabetes anhand von Netzhautbildern zu untersuchen. Dr. Dvey-Aharon ist ein international bekannter KI-Experte und Serienunternehmer. Er ist Mitbegründer und CEO von AEYE Health, einem Unternehmen, das KI-Lösungen für die Netzhautbildanalyse entwickelt. Das Unternehmen hat vor kurzem die Ergebnisse seiner ersten zulassungsrelevanten klinischen Studie veröffentlicht.
Zum Trainieren des Algorithmus wurde ein neuronales Backpropagation-Netzwerk verwendet. Das System zeigte gute Leistungen und konnte 38 Fälle von Typ-2-Diabetes und 2 Fälle von Typ-1-Diabetes korrekt diagnostizieren. Seine Genauigkeit lag bei 0,85. Die F1-Werte lagen bei 0,76. Obwohl es sich nicht um ein perfektes System handelt, ist es ein wichtiger Schritt nach vorn bei der Erkennung von Diabetes.
Darüber hinaus sollte die KI bei der Erkennung von Diabetes transparent und menschenzentriert sein. Das KI-Modell sollte transparent sein und Erklärungen zu den Faktoren liefern, die sein Ergebnis beeinflussen. Das bedeutet, dass es leicht zu verstehen und zu benutzen sein sollte. Außerdem muss es genau und kompetent sein. Bei richtiger Anwendung kann KI helfen, Diabetes zu erkennen.
Derzeit werden etwa 23 % der Erwachsenen mit Diabetes nicht diagnostiziert. Das liegt vor allem daran, dass sie sich nicht regelmäßig untersuchen lassen und die Symptome von Diabetes nicht erkennen. Diese Menschen haben auch ein höheres Risiko, an Herzkrankheiten, Nierenversagen, Sehstörungen und anderen schwerwiegenden gesundheitlichen Komplikationen zu erkranken. Daher ist eine frühzeitige Erkennung für die Gesundheit der Patienten von entscheidender Bedeutung.
Erkennung von Eierstockkrebs durch AI
Die derzeitigen Tests zur Erkennung von Eierstockkrebs sind ungenau und führen häufig zu falsch positiven Ergebnissen. Dies führt zu unnötigen Operationen und kostspieligen Behandlungen. Daher untersuchen Forscher am Brigham and Women’s Hospital den Einsatz von künstlicher Intelligenz, um einen genaueren Test zu entwickeln. Sie trainieren ein Computerprogramm, um nach Unterschieden in den microRNAs zu suchen, die auf das Vorhandensein von Eierstockkrebs hinweisen. Das Computerprogramm ist auch darauf trainiert, Eierstockkrebs von gutartigen Gebilden zu unterscheiden.
Die Forscher entwickelten ein Instrumentarium zur Identifizierung von Krebs-Biomarkern und erstellten einen “Krankheits-Fingerabdruck”, indem sie die Fluoreszenzemissionen eines Arrays von Kohlenstoff-Nanoröhren, die mit Quantendefekten funktionalisiert sind, nachwiesen. Das System weist eine Sensitivität von 87 % für die Erkennung von hochgradigem serösem Eierstockkrebs auf und übertrifft damit die derzeitigen Screening-Methoden mit Krebsantigen 125 und transvaginaler Ultraschalluntersuchung.
Da die derzeitigen Diagnosetests für Eierstockkrebs nicht so genau sind, könnte dieser neue Ansatz die Kosten erheblich senken und die Krebsvorsorge für Frauen leichter zugänglich machen. MSK-Forscher arbeiteten bei der Entwicklung der neuen Technik mit Forschern von Weill Cornell Medicine, dem Montefiore Medical Center, der Lehigh University und dem National Institute of Standards and Technology zusammen.
Um die Genauigkeit der Diagnose zu verbessern, entwickelten die Forscher einen Algorithmus für maschinelles Lernen anhand von 3.970 Bildern von 50 Patienten. Der Algorithmus verwendete ResNet50, um Vorläuferläsionen und bösartige Läsionen zu erkennen. Das KI-Modell wurde dann zur Vorhersage der Fünf-Jahres-Überlebensraten dieser Patienten verwendet. Bevor die KI jedoch einen wesentlichen Beitrag zur Krebserkennung leisten kann, sind weitere Tests erforderlich. Der nächste Schritt ist die Validierung der Ergebnisse des Systems mit einer internationalen Kohorte von 8.000 Objektträgern mit Eierstockkrebs.
Eine andere KI-Technik hat das Potenzial, die Genauigkeit von Mammographien zu verbessern. Forscher der Abteilung für Krebsepidemiologie und -genetik des NCI haben kürzlich einen Algorithmus entwickelt, der dem geschulten Auge überlegen ist. Der Algorithmus wurde auch eingesetzt, um die Erkennung von Krebsvorstufen bei Darmkrebs zu verbessern, aber es gibt noch einige Bedenken. Einige Experten befürchten, dass KI-Tools zu Überbehandlungen und unnötigen Tests führen könnten.
KI hat ein enormes Potenzial zur Verbesserung der Gesundheitsversorgung. Sie kann dazu beitragen, seltene Krankheiten wie Eierstockkrebs früher zu erkennen. Derzeit werden acht von zehn Fällen von Eierstockkrebs erst in späten Stadien entdeckt, in denen es schwieriger ist, den Krebs zu behandeln. Um dieses Problem zu lösen, hat Andrew Godwin, PhD, stellvertretender Direktor des University of Kansas Cancer Center, seine Karriere der Entwicklung neuer Techniken und Methoden zur Früherkennung von Eierstockkrebs gewidmet. Seine Forschungsbemühungen umfassen nationale und internationale Kooperationen.
Ähnliche Themen