Künstliche Intelligenz in der Bildanalyse – Grundlagen und neue Entwicklungen

Der Hautarzt - Tập 71 - Trang 660-668 - 2020
Marc Pouly1, Thomas Koller1, Philippe Gottfrois2, Simone Lionetti1
1Informatik, Hochschule Luzern, Rotkreuz, Schweiz
2Department of Biomedical Engineering, University of Basel, Allschwil, Schweiz

Tóm tắt

Seit 2017 berichten Wissenschafts- und Populärmedien immer wieder von bildanalytischen Verfahren der künstlichen Intelligenz, die in der medizinischen Diagnostik zu menschlichen Experten vergleichbar gute Resultate erzielen. Mit der erstmaligen Zulassung eines solchen Systems durch die amerikanische Arzneimittelbehörde 2018 begann ihr Einzug in den klinischen Alltag. Dieser Beitrag gibt einen Überblick der wichtigsten Entwicklungen der künstlichen Intelligenz für bildanalytische Verfahren in klinischen Anwendungen mit Fokus auf die Dermatologie. Am Beispiel der ImageNet Challenge wird gezeigt, dass klassische Ansätze des maschinellen Lernens stark auf menschlicher Expertise beruhten und dass ihre Performance und Skalierbarkeit praktischen Anforderungen nicht genügen konnten. Mittels Deep Learning, einem auf neuronalen Netzen beruhenden Verfahren, konnten diese Limitierungen und insbesondere die Abhängigkeit von menschlicher Expertise überwunden werden. Wir beschreiben wichtige Eigenschaften von Deep Learning, den methodischen Durchbruch von Transfer Learning und berichten über vielversprechende Entwicklungen hin zu generativen Modellen. Mittels Deep Learning erreichen bildanalytische Verfahren in vielen Fällen die für den industriellen und klinischen Einsatz geforderte Genauigkeit. Zudem gestaltet sich ihre Industrialisierung weitestgehend barrierefrei. Derzeitige Entwicklungen fokussieren sich daher weniger auf die nochmalige Verbesserung der Genauigkeit, sondern nehmen sich den Herausforderungen der Interpretierbarkeit und Anwendbarkeit unter Alltagsbedingungen an. Durch die Weiterentwicklung zu generativen Modellen werden gänzlich neuartige Anwendungen möglich. Deep Learning hat in vielerlei Hinsicht beeindruckende Erfolge vorzuweisen und gilt heute nicht nur in der Bildanalyse als das Standardverfahren schlechthin. Dieser Durchbruch der künstlichen Intelligenz ermöglicht eine rasch anwachsende Zahl von klinischen Anwendungen und entwickelt sich fortwährend zu einem unverzichtbaren Werkzeug in der modernen Medizin.

Tài liệu tham khảo

Esteva A, Kuprel B, Novoa RA et al (2017) Dermatologist-level classification of skin cancer with deep neural networks. Nature. https://doi.org/10.1038/nature21056

Goodfellow I, Bengio Y, Courville A (2016) Deep learning. MIT Press, Cambridge, Massachusetts

Goodfellow IJ, Pouget-Abadie J, Mirza M et al (2014) Generative adversarial nets. In: Ghahramani Z, Welling M, Cortes C, Lawrence ND, Weinberger KQ (Hrgs) Advances in Neural Information Processing Systems 27, Curran Associates, Inc., S 2672–2680. https://papers.nips.cc/paper/5423-generative-adversarial-nets

He K, Zhang X, Ren S, Sun J (2016) Identity mappings in deep residual networks. Lect Notes Comput Sci (including Subser Lect Notes Artif Intell Lect Notes Bioinformatics). https://doi.org/10.1007/978-3-319-46493-0_38

https://awards.acm.org/about/2018-turing. Zugegriffen: 23. Mai 2020

https://challenge2019.isic-archive.com. Zugegriffen: 24. Mai 2020

https://en.wikipedia.org/wiki/Basal-cell_carcinoma#/media/File:Dermoscopy_nodular_basal_cell_carcinoma.jpg. Zugegriffen: 3. August 2020

https://events.google.com/alphago2017/. Zugegriffen: 23. Mai 2020

https://www.fda.gov/news-events/press-announcements/fda-permits-marketing-artificial-intelligence-based-device-detect-certain-diabetes-related-eye. Zugegriffen: 23. Mai 2020

https://www.mdmag.com/medical-news/ai-model-flags-patients-at-risk-osteoporosis. Zugegriffen: 23. Mai 2020

https://www.nature.com/news/astronomers-explore-uses-for-ai-generated-images-1.21398

https://www.nytimes.com/2015/12/11/science/an-advance-in-artificial-intelligence-rivals-human-vision-abilities.html. Zugegriffen: 23. Mai 2020

https://www.technologyreview.com/2020/04/27/1000658/google-medical-ai-accurate-lab-real-life-clinic-covid-diabetes-retina-disease/

https://www.technologyreview.com/2020/04/27/1000658/google-medical-ai-accurate-lab-real-life-clinic-covid-diabetes-retina-disease/. Zugegriffen: 23. Mai 2020

Krizhevsky A, Sutskever I, Hinton GE (2012) ImageNet classification with deep convolutional neural networks. In: Pereira F, Burges CJC, Bottou L, Weinberger KQ (Hrgs) Advances in Neural Information Processing Systems 27, Curran Associates, Inc., S 1097–1105. http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf

Liu X, Faes L, Kale AU et al (2019) A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging: a systematic review and meta-analysis. Lancet Digit Heal. https://doi.org/10.1016/S2589-7500(19)30123-2

Liu Y, Jain A, Eng C et al (2020) A deep learning system for differential diagnosis of skin diseases. Nat Med. https://doi.org/10.1038/s41591-020-0842-3

McCulloch WS, Pitts W (1943) A logical calculus of the ideas immanent in nervous activity. Bull Math Biophys. https://doi.org/10.1007/BF02478259

McKinney SM, Sieniek M, Godbole V et al (2020) International evaluation of an AI system for breast cancer screening. Nature. https://doi.org/10.1038/s41586-019-1799-6

Russakovsky O, Deng J, Su H et al (2015) Imagenet large scale visual recognition challenge. Int J Comput Vis. https://doi.org/10.1007/s11263-015-0816-y

Salvador A, Drozdzal M, Giro-I-Nieto X, Romero A (2019) Inverse cooking: recipe generation from food images. Proc IEEE Comput Soc Conf Comput Vis Pattern Recognit. https://doi.org/10.1109/CVPR.2019.01070

Schnürle S, Pouly M, Vor Der Brück T et al (2017) On using support vector machines for the detection and quantification of hand eczema. ICAART 2017 – Proc 9th Int Conf Agents Artif Intell. https://doi.org/10.5220/0006125000750084

Zenodo: https://zenodo.org/record/3873159#.XuDaIbxxe70. Zugegriffen: 3. August 2020

Thông tin
Thông tin xuất bản

Der Hautarzt

Tập 71

660-668

Thông tin tác giả