Neurale Netzwerke lesen medizinische Scans ohne menschliche Eingaben
Eine auf maschinellem Lernen basierende Lösung ermöglicht die automatische Suche nach Cholesterinablagerungen in den Halsschlagadern in den Ergebnissen von Ultraschalluntersuchungen. Finden Sie heraus, wie sie einem US-Medizinunternehmen geholfen hat, Abschriften um den Faktor 5 zu beschleunigen.
Health Samurai, eine unabhängige Abteilung von WaveAccess, hat ein Modul entwickelt, das auf Maschinenlern-Algorithmen basiert, um in Ultraschall-Scan-Ergebnissen automatisch nach Cholesterinablagerungen in den Halsschlagadern zu suchen. Die Lösung ermöglichte eine Beschleunigung der Abschriften um den Faktor 5. Das Projekt wurde von einem US-Medizinunternehmen in Auftrag gegeben, dem Anbieter einer Hightech-Lösung zur Beurteilung des Zustands von Arterien. Die Prozessautomatisierung befreite medizinische Fachkräfte von Routine-Operationen und entlastete das Unternehmen, indem es die Zahl kostspieliger Fachkräfte senken konnte.
Die Lösung zur Zustandsbewertung von Halsschlagadern umfasst einen tragbaren Scanner und eine detaillierte Auswertung der Scan-Ergebnisse durch erfahrene Techniker. Die Dienstleistung wird von dem Unternehmen, das die Hightech-Medizinausrüstung liefert, an in den USA ansässige medizinische Einrichtungen und Ärzte in Privatpraxen erbracht. Zuvor mussten sich Scan-Transkriptionsspezialisten die gesamte Videoaufzeichnung – die im Durchschnitt fünf Minuten lang ist – ansehen und den Zustand der Arterie Bild für Bild überprüfen, um Aufnahmen zu identifizieren, die die Aufmerksamkeit eines Arztes erfordern, und um das Vorhandensein von Cholesterinablagerungen festzustellen. Die Dickenmessung der Arterienwand und ihres Durchmessers sowie die Bestimmung von Form, Größe und Position der Ablagerungen wurden ebenfalls manuell durchgeführt.
Es dauerte in der Regel mehrere Stunden, um einen medizinischen Bericht zu erstellen. Mit Standard-Softwarelösungen war es nicht möglich, den Prozess des „Lesens“ von Scans zu automatisieren – nur ein qualifizierter Spezialist mit medizinischer Ausbildung konnte die Entschlüsselung durchführen. Mit wachsender Benutzerzahl musste der Lösungsanbieter das Personal an hochbezahlten Technikern aufstocken, so dass die Kosten für den Service weiter stiegen. Unterdessen änderte sich weder die Geschwindigkeit noch die Qualität des Dienstes. Um das System wettbewerbsfähiger zu machen, musste der Prozess optimiert werden.
Das Problem wurde dank des auf maschinellem Lernen basierenden Moduls gelöst, das von Health Samurai, einer unabhängigen Abteilung von WaveAccess, entwickelt wurde. Neurale Netzwerke helfen dabei, Bereiche mit Arterien zu identifizieren und Cholesterinablagerungen zu erkennen. Nach einer Einarbeitungszeit lernte das System, das übliche „Rauschen“ auf der Videoaufzeichnung von der Anomalie zu unterscheiden und die richtigen Aufnahmen mit einem hohen Genauigkeitsgrad zu finden. Das Modul teilt eine Aufzeichnung in einzelne Aufnahmen auf und bietet dem Techniker 5 Bilder von höchster Qualität mit dem am besten geeigneten Bereich zur Messung des Durchmessers der Arterienwand. Das System bietet dem Spezialisten außerdem 20 Bilder der Arterie mit angezeigten Bereichen von Interesse. Algorithmen übernehmen die Dekodierung der Aufnahme und die Messung des Arterienwand-Durchmessers mit einer Genauigkeit von ca. 95 % und finden Aufnahmen mit potenziellen Anomalien mit einer Genauigkeit von 80 %.
Die Lösung ermöglichte es, die Effizienz der Spezialisten um den Faktor 5 zu steigern: Nun ist es nicht mehr notwendig, die gesamte Aufzeichnung zu betrachten – die für den medizinischen Beurteilungsbericht erforderlichen Aufnahmen werden automatisch bereitgestellt. Darüber hinaus hat sich die Fehlerwahrscheinlichkeit im Zusammenhang mit dem menschlichen Faktor verringert. Infolgedessen ist die Lösung zur Zustandsbeurteilung von Arterien wettbewerbsfähiger geworden: Ärzte – Nutzer des Scan-Dekodierungsdienstes – erhalten ein genaueres Ergebnis in kürzerer Zeit.
„Es bedurfte einer engen Zusammenarbeit zwischen unseren Programmierern und Ärzten, um eine solche Lösung zu entwickeln. In der ersten Implementierungsphase trainierten die Mediziner selbst ein Modul: Sie durchsuchten das Filmmaterial manuell, wiesen auf die Anomalien hin, bewerteten die Qualität der mit dem Modul erstellten Lösungen und erklärten, was in den Daten fehlt. Die Daten wurden manuell aufbereitet, was eine größere Aufmerksamkeit von Spezialisten beider Seiten erforderte“, Alexander Azarov, Senior Vice President of Engineering bei WaveAccess.
WaveAccess erstellt ähnliche auf maschinellem Lernen basierende Module zur Untersuchung von abnormalem Benutzerverhalten mit der Zielrichtung, Daten zu schützen. Dieselben Lösungen werden für "intelligente" Empfehlungen in Online-Shops, zur Wahrscheinlichkeitsberechnung eines Versicherungsfalls, zur Wahrscheinlichkeitsvorhersage eines Kaufs und für andere Geschäftsaufgaben verwendet.
