de.wedoany.com-Bericht: Ein Forschungsteam der Carnegie Mellon University und der Cleveland Clinic hat ein Herz-MRT-Analysesystem namens CMR-CLIP entwickelt. Dieses Modell interpretiert kardiale Magnetresonanztomographie-Scans, indem es dynamische Herzbilder mit klinischen radiologischen Berichten verknüpft. In Tests übertraf seine Leistung deutlich allgemeine KI-Modelle, in bestimmten Fällen um mehr als 35 %. Die zugehörige Forschung wurde in „Nature Communications" veröffentlicht, und die CMR-CLIP-Codebasis ist auf GitHub öffentlich zugänglich.
Die Herz-MRT gilt weithin als Goldstandard für die Beurteilung von Herzstruktur, -funktion und Gewebegesundheit. Ein einziger Scan kann einen umfassenden Überblick über Pumpfunktion, Muskelschäden, Blutfluss und strukturelle Anomalien liefern. Jedoch kann eine einzelne Untersuchung Hunderte bis Tausende von Bildern aus mehreren Ansichten und Zeitpunkten umfassen, und selbst ein gut ausgebildeter Experte benötigt für die Interpretation einer Untersuchung oft über 40 Minuten. Da die Technologie teuer ist und sich auf große medizinische Zentren konzentriert, ist das Angebot an Spezialisten, die den klinischen Bedarf decken können, begrenzt. Diese Kombination aus Komplexität und begrenzten Daten macht die Herz-MRT zu einem der anspruchsvollsten Bereiche für künstliche Intelligenz. Das Team nutzte radiologische Berichte, die bereits in den klinischen Routine-Workflow eingebettet sind, um CMR-CLIP darauf zu trainieren, MRT-Bildsequenzen mit diesen natürlichsprachlichen klinischen Zusammenfassungen abzugleichen. Dadurch lernt das Modell direkt aus der Art und Weise, wie Ärzte Scans beschreiben und interpretieren, und vermeidet zeitaufwändige und kostspielige manuelle Annotationen. Das System betrachtet die Herz-MRT nicht als Sammlung statischer Bilder, sondern repräsentiert jede Untersuchung als Video eines schlagenden Herzens und verarbeitet gleichzeitig mehrere Standardansichten sowie zeitaufgelöste Sequenzen, die Bewegung und Gewebeverhalten erfassen, um sowohl strukturelle als auch Bewegungsmerkmale gleichzeitig zu erfassen.
Das Modell wurde anhand von über 13.000 de-identifizierten realen Patientenstudien der Cleveland Clinic trainiert und lernte aus über einer Million Bildern und Hunderttausenden von Bewegungssequenzen. In Tests war CMR-CLIP in der Lage, Herzerkrankungen in einer „Zero-Shot"-Konstellation zu identifizieren, indem es Bilder mit beschreibenden Hinweisen (wie „linker Ventrikel vergrößert") abglich. Mit nur einem Krankheitsbeispiel erreichte das Modell eine Leistung, für die andere Systeme Dutzende annotierter Fälle benötigen. Bei spezialisierteren diagnostischen Aufgaben näherte es sich klinischem Niveau und erreichte für bestimmte Herzerkrankungen eine Genauigkeit von bis zu 99 %. Das System zeigte auch die Fähigkeit, große Scan-Datenbanken mit natürlicher Sprache zu durchsuchen und ähnliche Fälle abzurufen, um den Vergleich seltener oder komplexer Befunde zu erleichtern. Das Modell zeigte auch auf zwei unabhängigen externen Datensätzen (einer in Frankreich erhoben, einer an der Cleveland Clinic in Florida) eine starke Leistung, was auf eine gute Generalisierungsfähigkeit hindeutet.
Deborah Kwon, Direktorin der Herz-MRT an der Cleveland Clinic, klinische Leiterin und Mitautorin der Studie, sagte, diese Arbeit zeige, wie man Modelle mit großen klinischen Datensätzen trainieren kann, ohne zeitaufwändige manuelle Annotationen zu benötigen. Dies verbessere nicht nur die Effizienz, sondern könne auch die Berichtsqualität steigern, um eine konsistentere klinische Interpretation zu unterstützen. Dr. David Chen, Co-Principal Investigator der Studie an der Cleveland Clinic, wies darauf hin, dass die Interpretation von Herz-MRTs hochspezialisiert und zeitaufwändig sei. CMR-CLIP könne zur automatischen Vorsortierung und Interpretationsunterstützung beitragen, insbesondere in Umgebungen mit einem Mangel an Experten. Das Forschungsteam plant, das Modell auf weitere kardiale Bildgebungssequenzen wie Perfusionsbildgebung, T2-gewichtete Bildgebung und parametrisches Mapping auszuweiten und Anwendungen wie die automatische Befunderstellung und interaktive klinische Entscheidungsunterstützungssysteme zu erforschen.
Ding Zhao, außerordentlicher Professor am Fachbereich Maschinenbau der Carnegie Mellon University und Co-Principal Investigator der Studie, erklärte, dass domänenspezifische Basismodelle allgemeine KI-Systeme in bestimmten klinischen Anwendungen deutlich übertreffen können. Durch die Gestaltung von Modellen, die die Datenstruktur und Komplexität der Herz-MRT widerspiegeln, könne ein höheres Maß an Leistung und klinischem Nutzen erschlossen werden.
Dieser Artikel wurde von Wedoany übersetzt und bearbeitet. Bei jeglicher Zitierung oder Nutzung durch künstliche Intelligenz (KI) ist die Quellenangabe „Wedoany“ zwingend vorgeschrieben. Sollten Urheberrechtsverletzungen oder andere Probleme vorliegen, bitten wir Sie, uns unverzüglich zu benachrichtigen. Wir werden den entsprechenden Inhalt umgehend anpassen oder löschen.
E-Mail: news@wedoany.com
