KI und die schwierigen Probleme der Welt ─ Medizin & Wirkstoffforschung
Von KI vorangebrachte Wissenschaft und Gelehrsamkeit, nach Disziplin
RSS-Feed · 17 Einträge
Ein interpretierbares hierarchisches Deep-Learning-Framework zur Erkennung von Lungen- und Darmkrebs
Originaltitel: An interpretable hierarchical deep learning framework for lung and colon cancer detection
Die Klassifikation von Lungen- und Darmkrebs anhand histopathologischer Bilder ist schwierig, da sich die Klassen ähneln und die Gewebemorphologie variiert; zudem bieten herkömmliche Deep-Learning-Modelle kaum Transparenz. Die Autoren unterteilen die Aufgabe mit fünf Klassen in grob-bis-fein abgestufte Stufen: zunächst normal versus Krebs, anschließend ein spezialisierter Klassifikator für Normalgewebe-Kategorien oder Krebssubtypen, wobei für jede Stufe die beste Architektur ausgewählt wird. Das Framework erreichte auf LC25000 eine Genauigkeit von 98.50% und auf dem unabhängigen Datensatz LungHist700 82.01%; Grad-CAM, Grad-CAM++, LIME und Occlusion Sensitivity wurden eingesetzt, um die Bildregionen hervorzuheben, auf denen die Vorhersagen beruhen.
Künstliche-Intelligenz-basierte Vorhersage des hepatozellulären Karzinoms bei Personen ohne HBV- oder HCV-Infektion in der MASLD-Ära
Originaltitel: Artificial intelligence-based prediction of hepatocellular carcinoma in individuals without HBV or HCV infection in the MASLD era
Die aktuellen Leitlinien zur Überwachung von Leberkrebs (HCC) richten sich hauptsächlich an Menschen mit Zirrhose oder Virushepatitis. Die Forschenden entwickelten ein KI-Modell zur Vorhersage des HCC-Risikos bei Menschen ohne Virushepatitis, basierend auf Daten von etwa 7.96 Millionen südkoreanischen Erwachsenen, die an einer Gesundheitsuntersuchung teilgenommen hatten. Unter zwölf verglichenen Modellen schnitt MHA_DNN am besten ab und behielt in einer unabhängigen Validierungskohorte eine konsistente Genauigkeit bei. Der Fettleberindex und die Triglyceride waren die einflussreichsten Prädiktoren, was auf eine Unterstützung für eine stoffwechselbasierte, personalisierte Überwachung hindeutet.
Ein Multitask-Deep-Learning-Framework zur automatisierten Vorhersage von Gesundheitszuständen anhand von Netzhaut-Fundusbildern mithilfe hybrider Aufmerksamkeit und erklärbarer KI
Originaltitel: A multi task deep learning framework for automated health condition prediction from retinal fundus images using hybrid attention and explainable AI
Bestehende Deep-Learning-Modelle für Netzhaut-Fundusbilder bearbeiten nur eine einzelne Aufgabe, bieten eine begrenzte Interpretierbarkeit und haben Schwierigkeiten mit der Variation zwischen Datensätzen. Die Autoren schlagen ein Multitask-Netzwerk vor, das den Schweregrad der diabetischen Retinopathie, das Glaukom, das AMD-Stadium und das kardiovaskuläre Risiko anhand eines einzigen Bildes in einem Vorwärtsdurchlauf klassifiziert, mit Grad-CAM-Erklärungen. Es erreichte über vier Datensätze hinweg eine Genauigkeit von 94.7% und eine AUC von 0.978 und übertraf damit statistisch alle Einzelaufgabenmodelle sowie eine AUC von mindestens 0.951 in der Zero-Shot-Evaluation über Datensätze hinweg.
Ein integriertes Framework aus Automaten und maschinellem Lernen für intelligente Diagnostik der psychischen Gesundheit
Originaltitel: An automata-machine learning integrated framework for intelligent mental health diagnostics
Depressionen bei Studierenden bleiben oft unentdeckt, bis sie schwerwiegend werden, daher ist eine frühzeitige Vorhersage notwendig. Die Autoren kombinierten auf endlichen Automaten basierende Verhaltensmodellierung mit maschinellem Lernen, erzeugten Merkmale aus den emotionalen Zuständen der Studierenden und fassten redundante Merkmale zusammen. Mit einem Ensemble aus Random Forest und KStar stieg die Genauigkeit von einer Ausgangsbasis von 82.02% mit Random Forest auf 96.88% mit den automatenbasierten Merkmalen. Die Autoren geben an, dass der Ansatz die Merkmale interpretierbar und nachvollziehbar hält.
Ein mehrstufiges Validierungsframework für die vertrauenswürdige groß angelegte Extraktion klinischer Informationen mit großen Sprachmodellen
Originaltitel: A multi-stage validation framework for trustworthy large-scale clinical information extraction using large language models
Die Validierung großer Sprachmodelle für die Extraktion klinischer Informationen erfordert üblicherweise aufwendige manuelle Annotation. Die Autoren schlugen ein mehrstufiges Framework vor, das regelbasierte Filterung, semantische Verankerung, Bewertung durch ein Judge-LLM, Expertenprüfung und Analyse der prädiktiven Validität kombiniert. Angewendet auf Diagnosen von Substanzgebrauchsstörungen in 919.783 klinischen Notizen, entfernte es 14,59 % der LLM-positiven Extraktionen als nicht belegt oder unplausibel. Das primäre LLM erreichte gegenüber den Bewertungen des Judge-LLM einen F1-Wert von 0,80, und seine extrahierten Diagnosen sagten die spätere Inanspruchnahme fachärztlicher Versorgung besser voraus als Baselines mit strukturierten Daten.
KI erkennt koronare Herzkrankheit in kleinem Test anhand von Gesichts- und Zungenfotos
Originaltitel: AI detects coronary heart disease from face and tongue photos in small test
Eine neue Studie aus China hat ein KI-System mit Fotografien von Gesicht und Zunge trainiert, um koronare Herzkrankheit (KHK) zu erkennen. In einem kleinen Test identifizierte das System alle Patientinnen und Patienten mit KHK korrekt.
Identifizierung von zufälligen Lungengeräuschen bei Kindern mit Atemwegserkrankungen in Bangladesch mithilfe von künstlicher Intelligenz und digitaler Auskultation
Originaltitel: Identification of adventitious lung sounds in children with respiratory illnesses in Bangladesh using artificial intelligence and digital auscultation
Die Leitlinien zum integrierten Management von Kinderkrankheiten (IMCI) haben eine hohe Sensitivität, aber eine geringe Spezifität für Pneumonie. Gesundheitsfachkräfte in Bangladesch zeichneten mit einem digitalen Stethoskop Lungengeräusche von Kindern unter fünf Jahren mit Verdacht auf Pneumonie auf, und ein KI-Algorithmus wurde mit einem Gremium von Kinderärzten verglichen. Die KI erkannte abnorme Geräusche insgesamt mit 61.8 % Sensitivität und 60.7 % Spezifität, bei Pneumoniefällen nach IMCI mit 63.5 % und 66.8 %. Die Autoren bezeichnen dies als mäßige Leistung, wobei die Klassifizierung nicht interpretierbarer Aufnahmen verbessert werden muss.
Autonome Markierung chirurgischer Resektionsränder mithilfe eines Foundation-Modells
Originaltitel: Autonomous labeling of surgical resection margins using a foundation model
Die Beurteilung chirurgischer Resektionsränder in der Pathologie wird durch manuelle Markierungsfehler, Gewebeverzerrungen und Kauterisationsschäden beeinträchtigt. Die Autoren entwickelten ein virtuelles Markierungsnetzwerk, das ein eingefrorenes Foundation-Modell und einen kleinen Klassifikator nutzt, um den Rand auf Whole-Slide-Bildern ohne physische Tinte abzubilden. Auf 20 Schnitten aus unbekannten Gewebeblöcken erreichte es eine Genauigkeit auf Regionenebene von etwa 73.3% und erzeugte Überlagerungen, die qualitativ mit den Annotationen von Experten übereinstimmten. Die Ergebnisse sind ein Machbarkeitsnachweis und müssen in größeren klinischen Kohorten validiert werden.
KI-gestützte klinische Phänotypisierung von menschlichem braunem Fettgewebe
Originaltitel: Artificial intelligence-enabled clinical phenotyping of human brown fat
Es fehlte bislang an Methoden, um die Aktivität des braunen Fettgewebes (BAT) beim Menschen in großem Maßstab zu quantifizieren. Anhand von Daten von 101.243 Patientinnen und Patienten eines großen Krebszentrums quantifizierten die Autoren die BAT-Aktivität bei etwa 8.700 Patientinnen und Patienten mithilfe von maschinellem Lernen halbautomatisch. Eine höhere BAT-Aktivität, insbesondere im axillären Depot, ging mit einer geringeren Wahrscheinlichkeit für kardiometabolische Erkrankungen und einer günstigeren Verteilung des weißen Fettgewebes einher.
Ein Allzweck-Foundation-Modell für die multimodale Wiederherstellung und Verbesserung medizinischer Bilder
Originaltitel: An all-in-one foundation model for multimodal medical image restoration and enhancement
AMIFound ist ein Foundation-Modell, das medizinische Bilder wiederherstellt und verbessert, die durch Rauschen, Bewegungsartefakte, geringen Kontrast oder Niedrigdosis-Aufnahmen beeinträchtigt sind, und zwar über sieben Modalitäten hinweg, darunter CT, MRT, PET, Endoskopie, Ultraschall, Fundus und Röntgen. Trainiert mit 3,76 Millionen Bildpaaren, übertraf es 38 aufgabenspezifische und allgemeine Baselines bei Bildqualitätsmetriken, klinischer Bewertung und Robustheitstests. Die verbesserten Bilder steigerten zudem die Leistung bei 44 Aufgaben der Krankheitserkennung, der Vorhersage des Tumorstadiums und der Stratifizierung des Überlebensrisikos beim nichtkleinzelligen Lungenkarzinom.
Verborgene Signale im Schlaf können künftige Gesundheit vorhersagen
Originaltitel: Hidden signals in sleep can predict future health
KI-Werkzeuge können aus einer einzigen Nacht Schlaf physiologische Muster extrahieren, die herkömmliche Schlafmessungen übersehen, und diese Muster stehen im Zusammenhang mit Krankheit und Sterblichkeit. Zwei aktuelle Arbeiten in Nature Communications und Nature Medicine legen nahe, dass Schlafdaten weit mehr Gesundheitsinformationen enthalten, als Ärztinnen, Ärzte und Forschende derzeit gewinnen. Zunehmend deuten Belege auch darauf hin, dass sich Veränderungen im Schlaf bereits zeigen können, bevor eine Krankheit diagnostiziert wird.
Maschinelle Lernanalyse des zilienbasierten Partikeltransports unterscheidet primäre Ziliendyskinesie von normalen Zilien
Originaltitel: Machine learning analysis of cilia driven particle transport distinguishes primary ciliary dyskinesia from normal cilia
Die primäre ziliäre Dyskinesie (PCD) ist eine genetische Erkrankung mit dysmotilen Zilien, und die Diagnose bleibt schwierig. Die Autoren entwickelten CiliaTracks, ein Framework für maschinelles Lernen, das den Partikeltransport auf kultivierten Atemwegszellen analysiert, der mit Hochgeschwindigkeitsmikroskopie aufgenommen wurde. Klassische Modelle des maschinellen Lernens und ein Convolutional Neural Network klassifizierten Aufnahmen von 14 PCD-Betroffenen und 10 gesunden Spendern mit einer Genauigkeit von 95-97 %.
Hirntumorsegmentierung mittels partikelschwarmoptimierter Histogrammäqualisierung und eines VGG19-basierten U-Nets
Originaltitel: Brain tumor segmentation using particle swarm optimized histogram equalization and a VGG19 based U-Net
Die Segmentierung von Hirntumoren in der MRT ist langsam, fehleranfällig und durch Bedienerverzerrungen beeinträchtigt, und Deep-Learning-Modelle sind oft schwer interpretierbar. Die Autoren schlagen SPOHE-VGGNet vor, das ein modifiziertes U-Net mit VGG-19 und einer durch Partikelschwarmoptimierung gesteuerten Histogrammäqualisierung kombiniert, um den MRT-Kontrast zu verbessern. Auf dem Figshare-Datensatz erreichte es Dice-Werte von 0.9522 (Meningeom), 0.9428 (Gliom) und 0.9518 (Hypophysentumor) und auf BraTS 2021 0.9463 für die Segmentierung des gesamten Tumors. Die Autoren betonen jedoch, dass vor einem klinischen Einsatz noch eine externe, volumetrische und auf Kliniker ausgerichtete Validierung erforderlich ist.
Die planetaren geospatialen Foundation-Modelle von Earth AI für die globale öffentliche Gesundheit erschließen
Originaltitel: Unlocking Earth AI’s planetary geospatial foundation models for global public health
Entscheidungen im öffentlichen Gesundheitswesen werden oft durch Meldeverzögerungen, isolierte Datenbestände und spärliche Daten gebremst. Googles Population Dynamics Foundation Model (PDFM) verdichtet datenschutzfreundliche Suchtrends, menschliche Mobilität, Bebauungsdichte und Umweltfaktoren zu Standort-Embeddings. Diese Embeddings lassen sich ohne aufgabenspezifisches Fine-Tuning in bestehende epidemiologische Modelle einbinden, und es wurden fünf Fallstudien mit Partnern vorgestellt.
Eine auf Deep Learning basierende Pipeline zur Differenzierung der hypertrophen Kardiomyopathie von der kardialen Amyloidose mittels 2D-Mehrfachansichts-Echokardiographie
Originaltitel: A deep learning-driven pipeline for differentiating hypertrophic cardiomyopathy from cardiac amyloidosis using 2D multi-view echocardiography
Hypertrophe Kardiomyopathie (HCM) und kardiale Amyloidose (CA) sehen in der Echokardiografie ähnlich aus, was ihre Unterscheidung erschwert. In der Studie wurde ein Deep-Learning-Framework entwickelt, das 2D-Echobilder in fünf klinisch relevante Ansichten einteilt, aus jeder Ansicht Merkmale extrahiert und diese fusioniert. In einer fünffachen Kreuzvalidierung an 212 HCM-, 119 CA- und 200 Kontrollpatienten erreichte es eine Präzision von 0.83, eine Sensitivität von 0.81, eine Spezifität von 0.89 und einen Micro-F1 von 0.82; die Autoren bezeichnen es als zuverlässiges Diagnoseinstrument.
Neue Formulierung hilft RNA-Impfstoffen, hohen Temperaturen standzuhalten
Originaltitel: New formulation helps RNA vaccines withstand high temperatures
RNA-Impfstoffe benötigen meist eine Ultrakühllagerung, weshalb Forschende des MIT einen KI-Algorithmus einsetzten, um die Formulierung der Lipid-Nanopartikel anzupassen, die mRNA-Impfstoffe transportieren. Der Algorithmus sagte optimale Formulierungen voraus, verringerte die Zahl der nötigen Experimente und beschleunigte die Entwicklung. Die resultierenden Impfstoffe blieben bis zu einem Jahr bei Raumtemperatur oder zwei Monate bei fast 100°F stabil, und bei Mäusen löste ein Covid-19-Impfstoff eine Immunantwort aus, die so stark war wie die eines RNA-Impfstoffs, der dem von Moderna ähnelt.
Abschätzung des Suizidrisikos aus Text
Originaltitel: Estimating suicide risk from text
Die Identifizierung von Personen mit hohem Suizidrisiko ist für Berater in psychischen Krisen eine Priorität. Forschende des McGovern Institute am MIT entwickelten ein Sprachverarbeitungstool, das Texte nach Wörtern und Phrasen durchsucht, die mit 49 Suizidrisikofaktoren verknüpft sind, um das Risiko einer Person abzuschätzen. In Textkonversationen mit Krisenberatern sagte das Tool das Suizidrisiko präzise voraus, und mit weiterer Validierung könnte es die Risikobewertung in klinischen Settings und in der Krisenhilfe unterstützen.