Neuer Open-Source-Algorithmus beschleunigt komplexe medizinische Bildanalyse

Penn Engineers haben einen Open-Source-Algorithmus entwickelt, der die Geschwindigkeit der KI mit der Präzision der Geometrie kombiniert, um komplexe medizinische Bilder schnell und genau zu vergleichen und so dabei zu helfen, subtile Veränderungen zu erkennen, die im Laufe der Zeit auf eine Krankheit hinweisen können. In einigen Fällen kann der neue Algorithmus in wenigen Minuten erreichen, wofür frühere Techniken eine ganze Woche benötigt hätten.

Der als „FireANTs“ bezeichnete Algorithmus funktioniert anders als viele KI-Ansätze zur Analyse medizinischer Bilder. „Typischerweise treffen KI-Systeme Vorhersagen auf der Grundlage ihrer Trainingsdaten“, sagt Pratik Chaudhari, Assistenzprofessor für Elektro- und Systemtechnik und Co-Hauptautor einer Studie in Naturkommunikation. „Im Gegensatz dazu leiht sich FireANTs Optimierungstechniken der modernen KI, löst das Matching-Problem aber mathematisch und bestimmt, wie ein Bild tatsächlich einem anderen entspricht, ohne sich zu sehr auf Vermutungen anhand früherer Beispiele zu verlassen.“

In Tests bewertete das Team FireANTs anhand von über einem Dutzend Datensätzen, die mehr als 15.000 Bildpaare, mehrere Organsysteme, verschiedene Bildgebungsmodalitäten und verschiedene Arten umfassten, und zeigte, dass die Methode auf ein breites Spektrum von Bildgebungsherausforderungen anwendbar ist.

Da FireANTs so schnell arbeitet – je nach Problem hundert- bis tausendmal schneller als sein Vorgänger, ANTs, ohne Genauigkeitsverlust – könnte der Algorithmus nicht nur in der medizinischen Forschung, sondern auch in der klinischen Praxis eingesetzt werden.

In der Radiologie umfasst ein großer Teil der radiologischen Untersuchungen eine Nachuntersuchung, um festzustellen, welche Veränderungen zwischen den Scans aufgetreten sind. Durch die Bildregistrierung können eventuelle Unterschiede automatisch erkannt werden. Wenn die Verarbeitung jedoch zu lange dauert, passt sie einfach nicht in den klinischen Arbeitsablauf. Die Geschwindigkeit macht einen großen Unterschied, wenn es darum geht, dies für die Patientenversorgung praktisch zu machen.“

James C. Gee, Professor für radiologische Wissenschaft in der Radiologie und weiterer Co-Senior-Autor der Studie

Die Herausforderung dichter Korrespondenz

FireANTs wurde entwickelt, um ein häufiges Problem in der medizinischen Bildgebung zu lösen: den dichten Korrespondenzabgleich oder den Prozess der Identifizierung ähnlicher Muster in datenreichen Bildern, wie z. B. MRT- oder CAT-Scans desselben Patienten.

Diese Herausforderung tritt häufig in der Radiologie auf, wo Ärzte nicht nur wissen möchten, ob zwei Bilder wesentlich unterschiedlich aussehen, sondern auch genau, wie sich bestimmte Geweberegionen im Laufe der Zeit verändert haben und um wie viel. Sogar geringfügige Veränderungen beispielsweise des Gehirnvolumens können von Bedeutung sein: Eine ungewöhnlich schnelle Schrumpfung könnte beispielsweise ein frühes Anzeichen für einen kognitiven Verfall sein.

Die nächste Entwicklung von ANTs

Vor mehr als einem Jahrzehnt leitete Gees Labor die Entwicklung von ANTs, kurz für Advanced Normalization Tools, einem Open-Source-Software-Toolkit zur Analyse medizinischer Bilder. Obwohl ANTs nach wie vor ein leistungsstarkes und weit verbreitetes Werkzeug sind, wurde es entwickelt, bevor die jüngsten Fortschritte in der KI es ermöglichten, viel größere Datensätze viel schneller zu verarbeiten.

Als der Erstautor Rohit Jena, ein von Chaudhari und Gee betreuter Doktorand der Computer- und Informationswissenschaften, die Software testete, fragte er sich, ob sie schneller laufen könnte. „ANTs funktionierten viel besser als die in der Literatur vorhandenen Methoden“, sagt Jena. „Aber ANTs wurden einfach nicht für die Art von riesigen Datensätzen entwickelt, die heute zum Standard in der medizinischen und biologischen Bildgebungsforschung geworden sind.“

Zunächst versuchte Jena, ANTs für die Verwendung auf einer Grafikverarbeitungseinheit (GPU) anzupassen, den gleichen fortschrittlichen Computerchips, die zum Trainieren von KI-Modellen verwendet werden. Eine Anfrage, die häufig in Online-Foren zum Einsatz von ANTs auftauchte, was den Wert des Projekts für die Forschungsgemeinschaft verdeutlicht.

Doch nachdem er einige Zeit „unter der Haube“ verbracht und gesehen hatte, wie ANTs funktionieren, wurde ihm klar, dass es nicht ausreichen würde, die Software einfach auf schnellere Hardware zu übertragen. Er müsste die Geometrie überdenken, die dem Algorithmus selbst zugrunde liegt.

Eine Abkürzung durch den gekrümmten Raum

Das Training eines typischen KI-Modells ist wie Fahrradfahren auf ebenem Boden: Zur Optimierung des Systems gehört die Aktualisierung numerischer „Gewichte“, die im euklidischen, also flachen Raum, existieren. In dieser Einstellung bleibt die Fahrtrichtung, genau wie der Lenker des Fahrrads, von Schritt zu Schritt gleichmäßig.

Der Vergleich zweier dichter Bilder hingegen ist wie eine Fahrt über Hügel und durch Täler. Das Problem erfordert die Aktualisierung eines „Diffeomorphismus“, eines nichteuklidischen Objekts, das im gekrümmten Raum existiert. Damit das Fahrrad geradeaus fährt, müssen Sie den Winkel des Lenkers immer wieder anpassen.

Diese als Paralleltransport bezeichnete Anpassung ist rechenintensiv. Doch Jena fragte sich, ob es vermeidbar sei. Was wäre, wenn er, anstatt den Algorithmus ständig an die Landschaft anzupassen, die Landschaft an den Algorithmus anpassen könnte?

Im Wesentlichen hält FireANTs den Radfahrer an Ort und Stelle, während sich die Welt neu ausrichtet, sodass sich die Fahrt durch den gekrümmten Raum wie die Fahrt über flaches Gelände verhält. „Mathematisch gesehen erreicht der Algorithmus das gleiche Ziel mit deutlich geringerem Rechenaufwand“, sagt Jena.

Zukünftige Richtungen

Letztlich, sagen die Forscher, liegt das Versprechen von FireANTs nicht nur in der Geschwindigkeit – etwa zwei- bis siebenmal so hoch wie bei hochmodernen Optimierungs-Toolkits, die auf einem Standard-Computerchip eingesetzt werden, und bis zu drei Größenordnungen schneller auf einer GPU –, sondern auch darin, was diese Geschwindigkeit ermöglicht.

Im klinischen Umfeld könnte ein schnellerer Bildabgleich eine erweiterte Analyse praktischer machen. „Die Möglichkeit, fortschrittliche medizinische Bildanalysen, wie etwa die Erkennung von Veränderungen, in Echtzeit durchzuführen, wäre für Patienten und Ärzte von entscheidender Bedeutung“, sagt Gee. „Damit KI klinisch nützlich ist, gibt es eine sehr hohe Messlatte: Medizinische Bildgebungssoftware muss schnell sein Und genau.“

Die potenziellen Auswirkungen erstrecken sich auch über die herkömmliche medizinische Bildgebung hinaus auf so unterschiedliche Bereiche wie Geodatenkartierung und Robotik. Da FireANTs die Rechenkosten senkt, könnte es kleineren Laboren dabei helfen, Analysen durchzuführen, die früher die Ressourcen viel größerer Konsortien erforderten.

„FireANTs ist nicht nur ein schnelleres Werkzeug“, sagt Chaudhari. „Es ist eine Möglichkeit, den erweiterten Bildabgleich sowohl leistungsstark als auch zuverlässig zu gestalten, sodass Forscher und Kliniker in einem Umfang und mit einer Geschwindigkeit arbeiten können, die zuvor nicht möglich war, und so völlig neue Arbeitsabläufe und Anwendungen erschließen.“

Quellen: