Anhoren
Teilen
Im Rahmen eines EU-Projekts entwickelten 20 Partner einen an eine KI-Diagnoseplattform angebundenen Ganzkörperscanner zur Hautkrebsfrüherkennung. Der Clou: Die Entscheidungsfindung der KI ist keine Black Box.
Hautkrebs wird für das Gesundheitswesen zunehmend zum Problem. Zum einen werden Melanome immer häufiger, zum anderen ist die Ganzkörperuntersuchung durch Dermatologen aufwändig und fehleranfällig. Genau hier setzt das EU-Projekt iToBoS, kurz für Intelligent Total Body Scanner for Early Detection of Melanoma, an. 20 Projektpartner haben sich zum Ziel gesetzt, Hautkrebsfrüherkennung mit Hilfe eines KI-basierten Ganzkörperscanners zu beschleunigen und zu verbessern. Konkret soll der Durchsatz einer automatisierten Prä-Anamnese erhöht, die Krebsfrüherkennung optimiert, das medizinische Fachpersonal entlastet, das Patientenrisiko gesenkt und die Zahl der unnötigen Biopsien reduziert werden.
Der dazugehörige Scanner wurde vom Projektpartner Bosch entwickelt und untersucht innerhalb von sechs Minuten den gesamten Körper automatisch mithilfe eines kognitiven KI-Assistenten, der unter anderem KI-Modelle und XAI-Methoden des Fraunhofer-Instituts für Nachrichtentechnik, Heinrich-Hertz-Institut, HHI, nutzt.
Plattform gleicht Scanergebnisse mit Datenbasis ab
Nach erfolgreichem Scan erhält das medizinische Fachpersonal für jedes einzelne Muttermal eine Risikobewertung. Der Scanner ist das Herzstück der ebenfalls im Projekt entwickelten cloudbasierten KI-Diagnoseplattform, in der Gesundheitsdaten aus verschiedenen Quellen wie Krankenakten, Genomdaten und In-vivo-Bildgebung zusammengeführt werden.
Die hochauflösenden Kameras des Scanners sind mit Flüssigkeitslinsen ausgestattet, die das Design des menschlichen Auges nachahmen. Basierend auf zwei nicht mischbaren Flüssigkeiten mit unterschiedlichem Brechungsindex erreichen sie eine noch nie dagewesene Bildqualität. Für eine hoch personalisierte Diagnose werden die Untersuchungsaufnahmen durch Maschinelles Lernen zusammen mit sämtlichen verfügbaren Patientendaten in die KI-Diagnoseplattform mit dem kognitiven KI-Assistententool integriert.
Standardisierung ermöglicht Vergleichbarkeit
Aufgrund der hohen Geschwindigkeit des Scanners lassen sich in kurzer Zeit nicht nur viele Patienten untersuchen, vielmehr kann man die Scans auch oft und über einen längeren Zeitraum wiederholen und miteinander vergleichen – und so die Entwicklung der Leberflecke und mögliche Veränderungen, die auf Hautkrebs hindeuten können, gut beobachten. Verantwortlich für das Auffinden und das Tracken der Muttermale über die Zeit sind mehrere spezialisierte, im KI-Assistenten zusammengeführte KI-Algorithmen.
Diese müssen in sensiblen Anwendungsfeldern wie der medizinischen Diagnostik absolut zuverlässige und überprüfbare Problemlösungsstrategien liefern. Bislang war es jedoch nicht nachvollziehbar, wie KI-Systeme Entscheidungen treffen. Mit ihren im Projekt zum Einsatz kommenden XAI-Methoden, die unter anderem die zum Patent angemeldeten LRP- (Layer-Wise Relevance Propagation), CRP- (Concept Relevance Propagation) und PCX- (Prototypical Concept-based Explanations) Methoden umfassen, machen die Wissenschaftler des Fraunhofer HHI die KI-Prognosen jedoch erklärbar und decken somit unsichere Problemlösungsstrategien auf.
Entscheidungs-Black-Box geöffnet
Die oben genannten Methoden identifizieren und quantifizieren ein breites Spektrum des erlernten Entscheidungsverhaltens und erkennen auch in riesigen Datensätzen unerwünschte Entscheidungen, beugen Modellfehlverhalten vor und sorgen dafür, dass die eingesetzten KI-Systeme zuverlässig und sicher sind. „Bislang wurden KI-Systeme als Black Box angewendet. Man hat darauf vertraut, dass sie das Richtige tun, was leider nicht immer der Fall ist. Mit unseren XAI-Methoden ist es uns gelungen, die Lösungsfindung von KI-Systemen nachvollziehbar zu machen und den Black Box-Charakter zu überwinden“, sagt Prof. Dr. Wojciech Samek, Leiter der Abteilung Künstliche Intelligenz am Fraunhofer HHI. »
Konkret heißt das: Dank der erklärbaren KI-Methoden wird das Fachpersonal nicht nur auf auffällige Muttermale hingewiesen, die KI kann außerdem argumentieren, warum sie herausstechen. „Mit LRP und CRP visualisieren und interpretieren wir neuronale Netze und andere Machine Learning-Modelle und messen den Einfluss jeder Eingangsvariablen für die Gesamtvorhersage“, ergänzt Dr. Sebastian Lapuschkin, Leiter der Forschungsgruppe Explainable Artificial Intelligence. „Die Möglichkeit, Querbezüge zwischen den riesigen Datenmengen herzustellen, bietet die Chance, mehr über Hautkrebs und das Potenzial, daran zu erkranken, zu lernen.“
Scanner vielschichtig einsetzbar
Darüber hinaus können die Forscher des Fraunhofer HHI mit ihrer im Projekt entwickelten R2R-Methode (Reveal to Revise) eventuelle Verhaltensauffälligkeiten und -fehler aus der KI heraustrainieren, indem sie über die Informationen aus ihrer XAI die Daten besser annotieren, um das Gesamtsystem robuster und zuverlässiger zu gestalten. Endziel des Projekts ist die Entwicklung eines holistischen KI-Modells, das mithilfe multimodaler Datensätze verschiedenste Perspektiven auf die Patienten einnimmt. Hierzu tragen auch die im Rahmen des Projekts in Australien (Queensland) und Spanien (Barcelona) gesammelten und erhobenen Meta-Datensätze bei, die den Datenpool durch die Einbeziehung anderer Weltregionen erweitern. Langfristig könnte der Ganzkörperscanner auch für das Erfassen anderer Hauterkrankungen wie Neurodermitis eingesetzt werden. Von der EU gab es bisher 12,1 Millionen Euro für das Projekt.
