Maschinelles Lernen in der Humanmedizin: Computergestützte Erkennungs- und Diagnosesysteme in der Radiologie auf der Grundlage eines Datensatzes an Röntgenbildern von pädiatrischen Handgelenksfrakturen

Abstract

In der Humanmedizin kann die Automatisierung von Diagnoseverfahren durch maschinelles Lernen die Geschwindigkeit und Genauigkeit computergestützter Erkennungssysteme erheblich steigern. Die zunehmende Komplexität der Modelle führt jedoch dazu, dass Anpassungen weniger nachvollziehbar und Modellentscheidungen weniger transparent sind, zwei entscheidende Merkmale für den zukünftigen Einsatz in der täglichen medizinischen Praxis. Diese Bachelorarbeit soll daher einen Überblick über Objektdetektoren und erklärbare Methoden der künstlichen Intelligenz geben, die sich für den Einsatz in einem zeit- und ressourcenbeschränkten Umfeld der Kindertraumatologie eignen. Zunächst wurden allgemeine Kategorien von Anwendungen des maschinellen Lernens in der Radiologie diskutiert. Anschließend wurden computergestützte Erkennungs- und Diagnosesysteme mit Objektdetektoren anhand eines Datensatzes von kindlichen Unterarmfrakturen analysiert, bevor ein modernes You Only Look Once Objekterkennungsmodell der siebten Generation (YOLOv7) entwickelt und optimiert wurde. Schließlich wurden verschiedene erklärbare Methoden der künstlichen Intelligenz kategorisiert und diskutiert, bevor die Grad-CAM-Methodik auf das betreffende YOLOv7-Modell angewendet wurde. Dabei konnten alle untersuchten Parameter, einschließlich Konfigurationen, Hyperparameter, Bildgrößen und Bildbearbeitungsmethoden, Varianten produzieren, die in Bezug auf Präzision und Genauigkeit besser abschnitten als das Vergleichsmodell. Der Ausschluss von Vorverarbeitungsprozeduren oder die Vergrößerung der Bildauflösung während des Trainings führte zu den größten Steigerungen der durchschnittlichen Präzision von bis zu +39,78%.Die von Grad-CAM erzeugten Salienzkarten könnten medizinischen Fachkräften dabei helfen, die Regionen zu untersuchen, auf die während des Erkennungsprozesses erhöhte Aufmerksamkeit gelenkt wurde. Darüber hinaus wurde Grad-CAM verwendet, um jede Schicht in der YOLOv7-Architektur zu analysieren, wobei die Schichten 82 bis 86 als am ähnlichsten zur Salienzkarte der Detektionsschicht in Ebene 103 hervorgehoben wurden. Darüber hinaus zeigten die Salienzkarten von Objektdetektoren mit durchschnittlich besseren Testergebnissen nicht automatisch eine höhere Präzision, sondern erzeugten tendenziell mehr Rauschen als Modelle mit niedrigerer Punktzahl. Zusammenfassend können kleine Anpassungen an einem Standard-Objekterkennungsmodell in der Kinderradiologie sowie das Hinzufügen einer bestimmten XAI-Methodik einen großen, positiven Einfluss auf die Leistung und Erklärbarkeit haben. In dieser Bachelorarbeit wurde ein Leitfaden entwickelt, wie Anwendungen des Gesundheitswesens, die maschinelles Lernen nutzen, für den möglichen Einsatz in der medizinischen Praxis implementiert, gestaltet und erklärt werden können.

Ähnliche Arbeiten