Googles Open Source AI diagnostiziert Lungenkrebstypen mit extremer Genauigkeit!

Zuvor haben wir in unseren Artikeln zu Open Science und KI die Bedeutung von Open Source Science und KI anhand verschiedener Anwendungen, einschließlich Gesundheitswesen und Medizin, ausführlich erörtert. In letzter Zeit gab es vielversprechende neue Fortschritte in diesen Bereichen!

Krebspathologen können jetzt auf ein fortschrittliches Open Source AI-System zurückgreifen, das eine extrem hohe Genauigkeit bei der Erkennung bestimmter Formen von Lungenkrebs erreicht hat!

Dies ist die Verwirklichung einer der vielen Visionen der Innovatoren und Forscher der New York University (NYU), die vor zwei Jahren in diesem Video ausführlich beschrieben wurden:

Ihr KI-System heißt DeepPATH, ein Open-Source-Framework, das die Codes sammelt, mit denen die Verwendung einer Deep-Learning-Architektur untersucht wurde (Google inception v3).

Die Zukunft der AI-gestützten Therapie sieht vielversprechender aus als je zuvor, seitdem Forscher an der NYU das DeepPATH-Framework entwickelt haben. Ihr Algorithmus wurde entwickelt, um die Unterscheidung und Identifizierung von Bildern von Lungen zu trainieren, die sowohl aus normalem als auch aus von Krebs betroffenem Gewebe bestehen.

Warum ist das eine gute Nachricht?

Die weltweit häufigste Krebsform ist Lungenkrebs. Bislang wurden 2018 2, 09 Millionen Fälle von Lungenkrebs gemeldet, wobei 1, 76 Millionen Todesfälle allein auf Lungenkrebs zurückzuführen waren. Die WHO macht es anschaulich.

Es gibt vier Hauptrisikofaktoren für Krebs:

  • Tabakkonsum
  • Alkoholkonsum,
  • Ungesunde Diät
  • Physische Inaktivität

Das Nature-Paper (Preprint hier erhältlich) mit dem Titel „Klassifizierung und Mutationsvorhersage von nicht-kleinzelligen Bildern der Lungenkrebs-Histopathologie mithilfe von Deep Learning“ hebt die Wirksamkeit ihres Algorithmus bei der Identifizierung von Lungenkrebstypen mit 97% iger Genauigkeit hervor!

Warum ist die neue Studie für Krebspathologen hilfreich?

Die Forscher erreichten das neue Kunststück, indem sie ihren AI-Algorithmus lehrten, um zwischen zwei spezifischen Lungenkrebstypen zu unterscheiden, nämlich Adenokarzinom (LUAD) und Plattenepithelkarzinom (LUSC), die die am häufigsten vorkommenden Subtypen von Lungenkrebs sind.

Basierend auf dem linken Bild (ein Krebsgewebeschnitt aus der Lunge) wird es von der KI in drei Kategorien eingeteilt (siehe rechts): LUAD ist in Rot, LUSC in Blau und Normal / Healthy Lung Tissue wurde als grau dargestellt Bildquelle hier

In der konventionellen medizinischen Praxis ist die visuelle Untersuchung durch einen erfahrenen Pathologen unbedingt erforderlich, um einen Lungenkrebstyp eindeutig vom anderen zu unterscheiden. Jetzt kann die KI die gleiche Aufgabe ausführen, da die Leistung ihrer Deep-Learning-Modelle mit der Leistung von drei Pathologen (zwei Thorax- und einem Anatomie-Pathologen) vergleichbar war, die gebeten wurden, an dieser Studie teilzunehmen. Dies ist der Grund, warum dieser Durchbruch so bedeutend ist !

Inception v3 von Google wurde darauf trainiert, Tumorbereiche anhand der manuellen Auswahl der Pathologen zu erkennen. Die Forscher an der NYU trainierten ein tiefes neuronales Faltungsnetz (Google inception v3) mit Ganzdia-Bildern, die aus dem Krebsgenomatlas stammen, um sie intelligent in LUAD, LUSC oder normales Lungengewebe zu klassifizieren.

Das Team identifizierte nicht nur Krebsgewebe, sondern trainierte es auch, um genetische Mutationen im Gewebe zu identifizieren. Von den zehn am häufigsten mutierten Genen in LUAD wurden sechs vorhergesagt, nämlich STK11, EGFR, FAT1, SETBP1, KRAS und TP53.

Nicht nur das, sondern das Team von KI-Wissenschaftlern legte auch den zukünftigen Aspekt der Anwendung desselben Algorithmus dar, um die Klassifizierung auf andere Arten weniger verbreiteter Lungenkrebsarten wie großzelliges Karzinom, kleinzelliges Lungenkarzinom und histologische Subtypen von LUAD auszuweiten und auch auf nicht-neoplastische Merkmale (neoplastisch bezieht sich auf Neoplasmen), einschließlich Nekrose, Fibrose und anderer reaktiver Veränderungen in der Tumormikroumgebung.

Sie erwähnten auch zu diesem Zeitpunkt eine Unzulänglichkeit der Daten für solche Anwendungen. Wenn jedoch in Zukunft mehr solcher Fälle auftreten, müssten auch mehr Datensätze verfügbar sein, damit der Algorithmus mit ihnen trainieren kann.

Die gesamte Deep-Learning-Studie des Teams wurde beschleunigt, indem die deutlich höhere Rechenleistung von Grafikprozessoren oder GPUs (im Vergleich zu herkömmlichen Zentralprozessoren oder CPUs) genutzt wurde. Sie verwendeten insbesondere eine einzige Tesla K20m-GPU mit einer Verarbeitungszeit von etwa 20 Sekunden. Sie betonten jedoch auch, dass die Verwendung mehrerer GPUs diese Zeit auf einige Sekunden verkürzen würde.

Unser beliebtester Teil dieser Nachricht ist natürlich, dass der gesamte Code von DeepPATH Open Source ist und auf GitHub verfügbar ist. Dies wäre sehr hilfreich für Akademiker und Forscher (sowohl Einzelpersonen als auch Gruppen), die in ähnlichen Forschungsprojekten arbeiten und dasselbe System für die Analyse und Interpretation ihrer eigenen Datensätze mit AI verwenden möchten. Diese Datensätze können von jeder Form sein, die unserer Gesellschaft zugute kommen könnte.

Wir haben Datensätze in einem früheren Artikel erörtert, in dem wir beschrieben haben, wie die Open Science-Initiativen der NASA genutzt werden können, um Datensatzvorschläge durch Übermittlung auf ihrem Open Data Portal anzufordern. Vielleicht könnten die dort verfügbaren Datensätze auch für Googles Open-Source-KI ziemlich einfallsreich sein?

Ist dies nicht ein erstaunlicher neuer Meilenstein für Applied Open Source AI? Möchten Sie mehr solcher Entwicklungen in der Zukunft von Applied AI mit einem Open Source-Ansatz sehen? Teilen Sie uns Ihre Meinung in den Kommentaren unten mit.

Empfohlen

So installieren Sie IntelliJ IDEA unter Ubuntu und anderen Linux-Distributionen
2019
6 Funktionen, die Windows 10 von Linux übernommen hat
2019
Lösen Sie das Problem mit dem Windows-Partitions-Mount in Ubuntu Dual Boot
2019