Alzheimer-Erkennung mit Deep Learning #2
Ende Juli habe ich auf der Alzheimer’s Association International Conference (AAIC) das Symposium „Doctor AI: Making computers explain their decisions“ geleitet. Dort präsentierten neben mir drei international führende Forscher auf dem Gebiet Alzheimer-Krankheit, MRT-Datenanalyse mit maschinellen Lernverfahren und neuronalen Netzen ihre spannenden Vorträge. Zusammen mit Prof. Dr. Kerstin Ritter (Berlin), Prof. Dr. Mohamad Habes (San Antonio, Texas) und Dr. James Cole (London, UK) berichteten wir von unseren Projekten, um die Entscheidungsfindung computergenerierter Modelle verständlicher und nachvollziebarer zu machen – eine Grundvoraussetzung für die Anwendung solcher Verfahren in klinischen Assistenzsystemen zur Diagnoseunterstützung.
In meinem Beitrag habe ich die neuesten Fortschritte in unserem Projekt zur Alzheimer-Erkennung in MRT-Bildern vorgestellt. Das Verfahren erreicht eine hohe Erkennungsgenauigkeit von etwa 90% für Demenz und eher mäßige 75% für leichte kognitive Störung (gegen Gesunde). Außerdem sind die automatisiert vom neuronalen Netz erlernten Muster von geschädigten Hirnregionen, vor allem der Hippocampus, klinisch sehr relevant. So wird die automatische Berechnung des Hippocampusvolumens auch heute schon von Assistenzsystemen durchgeführt. Im Vergleich geht der Ansatz der neuronalen Netze aber über einfachere etablierte Systeme hinaus, da sie sehr viel sensibler arbeiten und auch Veränderungen der Form oder Kontur der anatomischen Hirnstrukturen berücksichtigen können.
Letztendlich stelle ich in dem Vortrag einen Ansatz vor, mit dem sich direkt Erklärungen und Beschreibungen aus neuronalen Netzen generieren lassen. Damit wäre es möglich, direkt Berichte aus den Modellen zu erhalten, welche Hirnveränderungen erkannt wurden und wie diese klinisch zu bewerten sind. So etwas ist bisher nur aufwändig über umfangreiche Verarbeitungsschritte und statistische Vergleiche möglich. Eine wirkliche „künstliche Intelligenz“, die solche Fähigkeiten besitzt, wäre ein Meilenstein in der Forschung zu maschinellen Lernverfahren und Assistenzsystemen.