MADRID, 26. April (EUROPA PRESS) –
Fortschrittliche Systeme der künstlichen Intelligenz (KI) haben sich als vielversprechend erwiesen, das Gebiet der Pathologie zu revolutionieren, indem sie die Erkennung, Diagnose und Behandlung von Krankheiten transformieren; Allerdings kann die Unterrepräsentation bestimmter Patientengruppen in Pathologiedatensätzen, die zur Entwicklung von KI-Modellen verwendet werden, die Gesamtqualität ihrer Leistung beeinträchtigen und die gesundheitlichen Unterschiede vergrößern.
Eine neue Studie unter der Leitung von Forschern am Mass General Brigham (USA) hebt hervor, dass standardmäßige rechnergestützte Pathologiesysteme je nach demografischen Profilen, die mit histologischen Bildern verknüpft sind, unterschiedlich funktionieren, dass jedoch größere „Basismodelle“ dazu beitragen können, diese Unterschiede teilweise abzumildern. Die in Nature Medicine veröffentlichten Ergebnisse unterstreichen die Notwendigkeit vielfältigerer Trainingsdatensätze und demografisch geschichteter Auswertungen von KI-Systemen, um sicherzustellen, dass alle Patientengruppen gleichermaßen von deren Nutzung profitieren.
„Es gab keine umfassende Analyse der Leistung von KI-Algorithmen in der Pathologie, die über verschiedene Patientengruppen mit unabhängigen Testdaten geschichtet sind“, sagt der korrespondierende Autor Faisal Mahmood von der Abteilung für Computerpathologie in der Abteilung für Pathologie am Mass General Brigham .
„Diese Studie, die sowohl auf öffentlich zugänglichen Datensätzen basiert, die häufig für die KI-Forschung in der Pathologie verwendet werden, als auch auf internen Kohorten bei Mass General Brigham, zeigt deutliche Leistungsunterschiede bei Patienten verschiedener Rassen, Versicherungstypen und Gruppen.“ dass fortgeschrittene Deep-Learning-Modelle, die auf selbstüberwachte Weise trainiert werden, sogenannte „Basismodelle“, diese Leistungsunterschiede verringern und die Genauigkeit verbessern können.“
Basierend auf Daten aus dem weit verbreiteten Krebsgenomatlas und dem Hirntumoratlas EBRAINS, die überwiegend Daten von weißen Patienten umfassen, entwickelten die Forscher rechnergestützte Pathologiemodelle für die Subtypisierung von Brustkrebs, Lungenkrebs und die Vorhersage der Gliom-IDH1-Mutation (ein wichtiger Faktor in der Therapie). ). Antwort). Als die Forscher die Genauigkeit dieser Modelle anhand von histologischen Schnitten von mehr als 4.300 Krebspatienten bei Mass General Brigham und dem Cancer Genome Atlas testeten und die Ergebnisse nach Rasse stratifizierten, stellten sie fest, dass die Modelle bei weißen Patienten genauer abschnitten als bei weißen Patienten . schwarze Patienten. Die Modelle, die das Team testete, um Brust- und Lungenkrebs zu subtypisieren und die IDH1-Mutation bei Gliomen vorherzusagen, ergaben bei der Erstellung korrekter Klassifizierungen Unterschiede von 3,7, 10,9 und 16 Prozent.
Die Forscher versuchten, beobachtete Unterschiede mit Standardmethoden des maschinellen Lernens zu verringern, um Vorurteile abzumildern, indem sie beispielsweise Beispiele aus unterrepräsentierten Gruppen während des Modelltrainings hervorhoben; Diese Methoden reduzierten die Verzerrung jedoch nur geringfügig. Stattdessen wurden die Unterschiede durch den Einsatz selbstüberwachter Kernmodelle verringert, bei denen es sich um eine neue Form fortschrittlicher KI handelt, die auf großen Datensätzen trainiert wird, um ein breites Spektrum klinischer Aufgaben auszuführen. Diese Modelle kodieren umfassendere Darstellungen histologischer Bilder, die die Wahrscheinlichkeit einer Modellverzerrung verringern können.
Trotz der beobachteten Verbesserungen waren immer noch Leistungslücken erkennbar, was die Notwendigkeit widerspiegelte, grundlegende Modelle in der Pathologie weiter zu verfeinern. Darüber hinaus war die Studie durch eine kleine Anzahl von Patienten in einigen demografischen Gruppen begrenzt. Forscher forschen derzeit daran, wie multimodale Kernmodelle, die mehrere Datenformen wie Genomik oder elektronische Gesundheitsakten einbeziehen, diese Modelle verbessern können.
Das Aufkommen von Werkzeugen der künstlichen Intelligenz in der Medizin hat das Potenzial, die Gesundheitsversorgung positiv zu verändern. Es ist jedoch zwingend erforderlich, das Innovationspotenzial der KI mit der Verpflichtung zu Qualität und Sicherheit in Einklang zu bringen. Auf diese Weise ist Mass General Brigham führend in der verantwortungsvollen KI und führt gründliche Forschung zu neuen und aufkommenden Technologien durch, um die Integration von KI in die Medizin voranzutreiben.
„Insgesamt stellen die Ergebnisse dieser Studie einen Aufruf zum Handeln dar, um gerechtere KI-Modelle in der Medizin zu entwickeln“, sagt Mahmood. „Es ist ein Aufruf an Wissenschaftler, vielfältigere Datensätze in der Forschung zu verwenden, aber auch ein Aufruf an Regulierungs- und Politikbehörden, demografisch geschichtete Bewertungen dieser Modelle in ihre Bewertungsrichtlinien aufzunehmen, bevor sie sie genehmigen und implementieren, um sicherzustellen, dass KI-Systeme funktionieren.“ „Davon profitieren alle Patientengruppen gleichermaßen“, schlussfolgern die Forscher.
