Neuer Algorithmus: Zeigt her eure Haut!

Neuer Algorithmus: Zeigt her eure Haut!Für eine korrekte Diagnose ist immer die Kombination mehrerer Informationen gefragt. Zukünftig könnten Ärzte dabei Unterstützung in Form von Algorithmen bekommen. Ein verbesserter Algorithmus für die Erkennung von Hautkrankheiten macht's vor.Hautkrankheiten sind weltweit verbreitet. Für die Diagnose greift man häufig auf mehrere Informationsquellen zurück – wie beispielsweise Fotos aus der Klinik, mikroskopische Bilder und Metadaten der Patienten. Deep-Learning-Algorithmen könnten die Klassifizierung verschiedener Hautveränderungen unterstützen, indem sie alle Informationen zusammenführen und auswerten. Mehrere solcher Algorithmen sind bereits in der Entwicklung. Um diese Lernalgorithmen in der Klinik anwenden zu können, müssen sie jedoch weiter verbessert werden, um eine höhere Genauigkeit bei der Diagnose zu erreichen.Neues Datenfusionsverfahren verbessert die DiagnosegenauigkeitEin Forschungsteam um Dr. Tobias Lasser vom Munich Institute of Biomedical Engineering der Technischen Universität München (TUM) hat nun einen neuen Lernalgorithmus mit dem Namen FusionM4Net entwickelt, der eine höhere durchschnittliche Diagnosegenauigkeit aufweist als bisherige Algorithmen. Der Code ist frei verfügbar. Der neue Algorithmus verwendet einen sogenannten multimodalen, mehrstufigen Prozess zur Datenzusammenführung.

„Multi-modal“ – Der Lernalgorithmus integriert drei verschiedene Datentypen: In der Klinik aufgenommene Fotos, mikroskopische Bilder der verdächtigen Hautläsion und Metadaten der Patienten.

„Multi-label“ – Die Forscher trainierten den Algorithmus zur Unterscheidung von fünf verschiedenen Kategorien von Hautveränderungen. Die Erkennung mehrerer verschiedener Hauterkrankungen wird dadurch möglich.

„Multi-stage“ – Der neue Algorithmus fügt zunächst die verfügbaren Bilddaten und dann die Metadaten des Patienten zusammen. Dieser zweistufige Prozess ermöglicht eine Gewichtung der Bilddaten und Metadaten beim Entscheidungsprozess des Algorithmus. Dadurch unterscheidet er sich von bisherigen Algorithmen auf diesem Gebiet, die alle Daten auf einmal zusammenführen.

Um die Diagnosegenauigkeit eines Algorithmus zu bewerten, kann er mit der besten vorhandenen Klassifizierung für den verwendeten Datensatz verglichen werden, für die der Wert 100 Prozent angesetzt wird. Die durchschnittliche Diagnosegenauigkeit von FusionM4Net verbesserte sich durch den mehrstufigen Prozess auf 78,5 Prozent und übertraf damit die anderen Algorithmen, mit denen er verglichen wurde.Auf dem Weg zur klinischen AnwendungUm die Reproduzierbarkeit zu gewährleisten, wurde zum Trainieren des Algorithmus ein öffentlich zugänglicher Datensatz verwendet. Datensätze sind in der Dermatologie jedoch nicht überall standardisiert: Je nach Klinik können unterschiedliche Arten von Bildern und Patienteninformationen vorliegen. Daher muss der Algorithmus für den tatsächlichen klinischen Einsatz mit den Daten umgehen können, die in der jeweiligen Klinik verfügbar sind.Das Forschungsteam arbeitet intensiv daran, den Algorithmus für die zukünftige klinische Routine einsatzfähig zu machen. Dafür integriert das Team aktuell zahlreiche Datensätze, die für diese Klinik standardisiert wurden.„Der künftige routinemäßige klinische Einsatz von Algorithmen mit hoher Diagnosegenauigkeit könnte dabei helfen, dass seltene Krankheiten auch von weniger erfahrenen Ärzten erkannt werden. Entscheidungen, die durch Stress oder Übermüdung beeinträchtigt sind, könnten dadurch zudem reduziert werden“, sagt Dr. Tobias Lasser. So könnten Lernalgorithmen dazu beitragen, das Niveau der medizinischen Versorgung insgesamt zu verbessern.
Dieser Artikel beruht auf einer Pressemitteilung der Technischen Universität München. Die Originalpublikation haben wir euch hier und im Text verlinkt.Bildquelle: Karolina Grabowska, Pexels.