Diese Seite wurde maschinell übersetzt.
Füllen Sie bitte eine 1-Minuten-Befragung zur Qualität dieser Übersetzung aus.
Forscher des University College Dublin nutzen Computer Vision und KI zur Krebsunterscheidung in Echtzeit ohne Biopsie
Innovativer Ansatz ermöglicht schnellere Patientendiagnose
„MATLAB-Tools bieten die Möglichkeit, fortgeschrittene Methoden des Machine Learning zu entwickeln und zu nutzen, ohne über grundlegende Programmierkenntnisse verfügen zu müssen.“
Wichtigste Ergebnisse
- MATLAB ermöglichte es Medizinern, ihre KI-Forschung mit minimaler Programmiererfahrung zu starten
- Mithilfe der App "Classification Learner" wurde bei der Untersuchung von 50 Läsionen auf Krebsgewebe eine Genauigkeit von 90% erreicht
- Das volle Sichtfeld ermöglichte eine größere Stichprobenentnahme und erstellte sauberere Datensätze durch die Identifizierung und anschließende Entfernung von Rauschen – beispielsweise von chirurgischen Instrumenten
Mithilfe von KI-Tools von MATLAB konnten Forscher Dickdarmpolypen beurteilen, ohne eine Biopsieprobe zu entnehmen.
Das Centre for Precision Surgery des University College Dublin (UCD) ist ein Forschungsinstitut einer medizinischen Fakultät, das sich auf den Einsatz von Technologie zur Verbesserung der Patientengesundheit konzentriert. Eine große Herausforderung, der sich die Forscher der UCD gestellt haben, besteht darin, das Dickdarmkrebsrisiko eines Patienten in Echtzeit effektiv zu beurteilen. Dickdarmkrebs ist die vierthäufigste krebsbedingte Todesursache weltweit und wird traditionell durch die Biopsie eines Dickdarmpolypen diagnostiziert. Allerdings ist die Beurteilung einer Biopsieprobe zeitaufwändig und ermöglicht nur einen Teilaspekt des Polypen. Stattdessen verwendeten die UCD-Forscher MATLAB®-Tools, die KI-gestützte Ergebnisse für die Polypenanalyse in Echtzeit ermöglichen, mit einem vollständigen Sichtfeld zur Beurteilung des gesamten Polypen.
Heutzutage verwenden Operationsteams medizinische Farbstoffe, die durch chirurgische Videokameras verstärkt werden, um Gewebe in der Nähe von Krebsregionen zu untersuchen. Mithilfe von App Designer und Computer Vision Toolbox™ entwickelte das Team eine App zur Stabilisierung dieser Videos, sodass sie aus den extrahierten Zeitverläufen der Fluoreszenzintensität Merkmale berechnen konnten, die die Farbstoffperfusion darstellen. Anschließend wurden den Videobildern Beschriftungen hinzugefügt, um krebsartige und gutartige Bereiche zu kennzeichnen, die durch klinische Experten und die Biopsieergebnisse vordefiniert waren.
Darüber hinaus wurden die gekennzeichneten Merkmale mithilfe der App „Classification Learner“ verwendet, um ein Machine-Learning-Modell zu trainieren, das für neue Operationsvideos ohne menschliche Unterstützung krebsartige Regionen unterscheiden kann. Das trainierte Modell war den Klinikern bei der Identifizierung von Krebsgewebe überlegen und schnitt mindestens genauso gut ab wie eine herkömmliche Biopsie, dem aktuellen Goldstandard vor der Exzision.
Dank benutzerfreundlicher MATLAB-Tools konnten die Forscher der UCD ihre KI-Forschung ohne vorherige Programmierkenntnisse schnell starten. Dieser Ansatz könnte in Zukunft zu einer schnelleren Diagnose der Patienten und besseren klinischen Ergebnissen führen. Das Forschungsteam plant, MATLAB-Tools auch zur Beurteilung von Transplantaten aus der plastischen Chirurgie und bei Darmresektionen einzusetzen.
Eingesetzte Produkte
Ressourcen zu
