Künstliche Intelligenz in der Bildanalyse - Grundlagen und neue Entwicklungen
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Der Hautarzt
Leitthema
Hautarzt 2020 · 71:660–668 Marc Pouly1 · Thomas Koller1 · Philippe Gottfrois2 · Simone Lionetti1
https://doi.org/10.1007/s00105-020-04663-7 1
Informatik, Hochschule Luzern, Rotkreuz, Schweiz
Online publiziert: 13. August 2020 2
Department of Biomedical Engineering, University of Basel, Allschwil, Schweiz
© Der/die Autor(en) 2020
Künstliche Intelligenz in der
Bildanalyse – Grundlagen
und neue Entwicklungen
Bildanalytische Verfahren der künst- auf 130.000 klinischen Bildaufnahmen ne Handlungsempfehlung abgibt. Damit
lichen Intelligenz erreichen heute in mit über 2000 unterschiedlichen derma- war „AI Big Business in Health“ geboren!
vielen Fällen die für den industriel- tologischen Erscheinungen spezialisiert. In diesem Beitrag möchten wir Sie
len und klinischen Einsatz geforderte Drei Jahre später, im September 2019, zu einem kurzen Spaziergang durch die
Genauigkeit und übertreffen sogar veröffentlichte Google eine zur Dif- technische Entwicklung der modernen
teilweise die Leistung menschlicher ferenzialdiagnose über die 26 in der künstlichen Intelligenz einladen, die die-
Experten. Die Autoren beschreiben Erstversorgung häufigsten Hauterschei- se beeindruckendenResultate ermöglicht
ihre rasante technische Entwicklung, nungen befähigte künstliche Intelligenz, hat und fortschreitend den klinischen
wie sich Deep Learning von klassi- die erstmals Bildaufnahmen in Kombi- Alltag immer mehr durchdringen wird.
schen Ansätzen des maschinellen nation mit Anamnesedaten analysierte Alles begann zum Jahreswechsel 2016 –
Lernens unterscheidet, erörtern die [17]. Eine gleichzeitig erschienene Meta- dem Annus Mirabilis der künstlichen In-
Bedeutung von Transfer Learning studie identifizierte 14 weitere Systeme, telligenz.
für die Industrialisierung und folgen die in einer externen Validierung den
der aktuellen Forschung hin zu Ex- Leistungen menschlicher Fachexperten 2016 – Als Computer das Sehen
plainable AI (Artificial Intelligence) zumindest gleichkamen [16]. Im Januar lernten
und dem Potenzial von Artificial 2020 übertraf eine künstliche Intelligenz
Creativity. von DeepMind 6 Radiologen in der Jedes Jahr treten die weltweit führenden
Früherkennung von Brustkrebs auf 500 Forschungsgruppen in der Bildanalyse
Im Januar 2017 sorgte eine Veröffentli- histologisch geprüften Mammographie- an der berühmten ImageNet Challenge
chung der Stanford University in Nature aufnahmen, wobei die menschlichen gegeneinander an. ImageNet ist eine öf-
für große mediale Aufmerksamkeit. Ein Experten, wenn verfügbar, zusätzlich fentliche Bilddatenbank mit über 14 Mio.
künstliche Intelligenz erreichte eine zu auf Anamnesedaten und frühere Auf- Bildern, die von freiwilligen Helfern in
21 menschlichen Dermatologen ver- nahmen zurückgreifen durften [19]. knapp 22.000 Kategorien eingeteilt wur-
gleichbare Sensitivität und Spezifität in Im März 2020 bestätigte eine klinische den, wobei für den Wettbewerb nur 1000
der Unterscheidung zwischen „keratino- Studie eine zu menschlichen Experten dieserKategorienverwendetwerden[20].
cyte carcinomas“ und „benign seborrheic 3fach erhöhte Erfolgsrate einer künstli- Auf diesen Daten werden Modelle trai-
keratoses“ sowie zwischen „malignant chen Intelligenz in der Früherkennung niert und später auf einem geheim gehal-
melanomas“ und „benign nevi“ auf his- von Osteoporose bei Knochenbrüchen tenen Testset evaluiert. Da viele Bilder
tologisch verifizierten Testbildern [1]. [10]. Mit diesen Forschungsresultaten Objekte mehrerer Kategorien zeigen, was
Mehr noch als ihre Leistungsfähigkeit einhergehend, entwickelte sich auch eine eindeutige Zuordnung unmöglich
beeindruckte zum damaligen Zeitpunkt deren Industrialisierung. Wegweisend macht, oder z. B. Hunderassen aufgrund
die verwendete Methodik: Ein sog. neu- dazu war die erstmalige Zulassung einer des Aufnahmewinkels nicht immer prä-
ronales Netz wurde auf 1,41 Mio. Bildern auf Bildanalyse mit künstlicher Intelli- zise unterschieden werden können, wer-
von Alltagsgegenständen, Tieren, Pflan- genz basierten Software zur Erkennung den sowohl die Top-1- wie auch die Top-
zen und Personen trainiert und erlernte von diabetischer Retinopathie durch die 5-Fehlerraten der Modelle bestimmt. Bei
so eigenständig die Erkennung von cha- amerikanische Arzneimittelbehörde im der Top-5-Evaluation dürfen die Modelle
rakteristischen Bildstrukturen. Anschlie- April 2018 [9]. Es handelte es sich da- also 5 Kategorien für das Bild vorschla-
ßend wurde das gleiche System nochmals bei um einen Cloud Service, der ohne gen, unter denen sich die richtige Zuord-
menschliches Zutun eine Bildaufnahme nung befinden muss. Die . Abb. 1 zeigt
Die Abb. 4 und 5 entstammen unseren eigenen der Retina analysiert, den Schweregrad die Resultate der ImageNet-Gewinner
Arbeiten. bestimmt und dem Erstversorger ei- seit der erstmaligen Durchführung im
660 Der Hautarzt 9 · 202050%
SIFT+FVs; 49%
45% SVM 45%
Deep-Learning-Ära
40%
AlexNet 37%
ZFNet 36%
35%
30% GoogleNet 30%
SIFT+FVs 28%
SVM 26%
25%
20%
ResNet 19%
SEnet 16%
AlexNet 16%
15% GoogleNet v4 17% ResNext 15%
Bit-L 12%
ZFNet 12%
10% FixEfficentNet 12%
GoogleNet 7%
5%
ResNet 4% SEnet 2%
ResNext 2% FixEfficentNet 1%
GoogleNet v4 3%
0% Bit-L 2%
2010 2012 2014 2016 2018 2020
Fehlerrate (Top-1) Fehlerrate (Top-5) Menschliche Fehlerrate (Top-5)
Abb. 1 8 Top-1- und Top-5-Fehlerrate der ImageNet-Gewinnerteams seit Beginn des Wettbewerbs im Jahr 2010. Das
Top-1-Resultat von 2011 wurde nicht erhoben
Jahr 2010. Die menschliche Leistung in sen Daten gilt es nun, eine Abbildung nen. Mit diesen Verfahren lassen sich
der Bestimmung der korrekten Kategorie auf 1000 unterschiedliche Kategorien zu Linien, Kanten oder andere Grundstruk-
wird auf eine Top-5-Fehlerrate von 5,1 % erstellen, die sichinvariantbezüglichSka- turen hervorheben. Die . Abb. 2 zeigt
geschätzt [20]. Am 10.12.2015 verkünde- lierung oder Rotation der Bilder verhält. die Anwendung von Linien- und Kan-
te die New York Times den großen Durch- Bei einer durchschnittlichen Auflösung tenfilter auf eine Handaufnahme. Das
bruch [12]. Eine künstliche Intelligenz von 482 × 418 Pixel pro Bild in ImageNet geübte Auge erkennt dabei charakteris-
namens ResNet von Microsoft Research scheiden durch Menschen erstellte und tische Strukturen an den Außenseiten
[4] gewann die ImageNet Challenge und einprogrammierte Zuordnungsregeln als der Zeigefinger, die auf ein Handekzem
übertraf dabei erstmals die Schallmauer möglicher Ansatz sofort aus – oder kön- hinweisen. Andererseits würde sich die
der menschlichen Leistung. nen Sie aufgrund von 604.428 Zahlen Behaarung an den Handgelenken durch
einen Dalmatiner von einer Perserkatze äußerst ähnliche Strukturen manifestie-
»Intelligenz
Eine moderne künstliche
ist kein von Menschen
unterscheiden? ren, was uns einen guten Eindruck über
die Schwierigkeit der Kombination von
Maschinelles Lernen aus Filterwerten hin zu komplexeren Merk-
erdachtes Regelwerk. Merkmalen und Beispielen malen vermittelt. Auch hier wäre die
manuelle Erstellung von Zuordnungsre-
Ein digitales Bild ist ein zweidimensio- Inspiriert durch das menschliche Ge- geln ein hoffnungsloses Unterfangen.
nales Raster von Farbwerten – sog. Pi- hirn, analysiert eine künstliche Intel-
xel. Meist wird der Farbraum RGB (Rot-
Grün-Blau) verwendet, sodass in jedem
ligenz Bilder in Zwischenstufen: Aus
den 3 Farbwerten pro Pixel werden »Mustererkennung
Die Grundlage der
bilden
Pixel der Rot-, Grün- und Blauanteil der zuerst einfache Strukturen, sogenann-
Farbe gespeichert wird. Die 3 Kanäle ent- te Features, extrahiert und zu immer mathematische Filteroperationen
sprechen dabei der Farbwahrnehmung komplexeren Merkmalen kombiniert,
des menschlichen Auges durch 3 ver- die schlussendlich die Erkennung ei- Ein früher verbreitetes Verfahren zur Ab-
schiedene Zelltypen. Für einen Com- ner Objektkategorie ermöglichen sollen. leitung komplexerer Merkmale bestand
puter besteht ein Bild also nur aus einer Die Grundlage der Feature-Berechnung darin, an markanten Stellen im Bild sog.
Zahlenmatrix pro Farbkanal. Aus die- bilden mathematische Filteroperatio- Deskriptoren zu berechnen, welche die
Der Hautarzt 9 · 2020 661Zusammenfassung · Abstract
Hautarzt 2020 · 71:660–668 https://doi.org/10.1007/s00105-020-04663-7
© Der/die Autor(en) 2020
M. Pouly · T. Koller · P. Gottfrois · S. Lionetti
Künstliche Intelligenz in der Bildanalyse – Grundlagen und neue Entwicklungen
Zusammenfassung
Hintergrund. Seit 2017 berichten Wis- praktischen Anforderungen nicht genügen der Interpretierbarkeit und Anwendbarkeit
senschafts- und Populärmedien immer konnten. Mittels Deep Learning, einem unter Alltagsbedingungen an. Durch die
wieder von bildanalytischen Verfahren der auf neuronalen Netzen beruhenden Weiterentwicklung zu generativen Modellen
künstlichen Intelligenz, die in der medizini- Verfahren, konnten diese Limitierungen und werden gänzlich neuartige Anwendungen
schen Diagnostik zu menschlichen Experten insbesondere die Abhängigkeit von mensch- möglich.
vergleichbar gute Resultate erzielen. Mit der licher Expertise überwunden werden. Wir Schlussfolgerungen. Deep Learning hat in
erstmaligen Zulassung eines solchen Systems beschreiben wichtige Eigenschaften von Deep vielerlei Hinsicht beeindruckende Erfolge
durch die amerikanische Arzneimittelbehörde Learning, den methodischen Durchbruch vorzuweisen und gilt heute nicht nur in
2018 begann ihr Einzug in den klinischen von Transfer Learning und berichten über der Bildanalyse als das Standardverfahren
Alltag. vielversprechende Entwicklungen hin zu schlechthin. Dieser Durchbruch der künst-
Fragestellung. Dieser Beitrag gibt einen generativen Modellen. lichen Intelligenz ermöglicht eine rasch
Überblick der wichtigsten Entwicklungen der Ergebnisse. Mittels Deep Learning erreichen anwachsende Zahl von klinischen Anwendun-
künstlichen Intelligenz für bildanalytische bildanalytische Verfahren in vielen Fällen die gen und entwickelt sich fortwährend zu einem
Verfahren in klinischen Anwendungen mit für den industriellen und klinischen Einsatz unverzichtbaren Werkzeug in der modernen
Fokus auf die Dermatologie. geforderte Genauigkeit. Zudem gestaltet Medizin.
Material und Methode. Am Beispiel der sich ihre Industrialisierung weitestgehend
ImageNet Challenge wird gezeigt, dass barrierefrei. Derzeitige Entwicklungen Schlüsselwörter
klassische Ansätze des maschinellen Lernens fokussieren sich daher weniger auf die Computerunterstützte Bildanalyse · Deep
stark auf menschlicher Expertise beruhten nochmalige Verbesserung der Genauigkeit, Learning · Visuelle Merkmale · Diagnostische
und dass ihre Performance und Skalierbarkeit sondern nehmen sich den Herausforderungen Bildanalyse · Bildanalytische Verfahren
Artificial intelligence in image analysis—fundamentals and new developments
Abstract
Background. Since 2017, there have been methods incorporated human expertise Upcoming generative models allow for
several reports of artificial intelligence (AI) but failed to meet industrial requirements entirely new applications.
achieving comparable performance to human regarding performance and scalability. With Conclusions. Deep learning has a history of
experts on medical image analysis tasks. the rise of deep learning based on artificial remarkable success and has become the new
With the first ratification of a computer vision neural networks, these limitations could be technical standard for image analysis. The
algorithm as a medical device in 2018, the way overcome. We discuss important aspects of dramatic improvement these models brought
was paved for these methods to eventually this technology including transfer learning over classical approaches enables applications
become an integral part of modern clinical and report on recent developments such as in a rapidly increasing number of clinical fields.
practice. explainable AI and generative models. In dermatology, as in many other domains,
Objectives. The purpose of this article is to Results. Deep learning models achieved artificial intelligence still faces considerable
review the main developments that have performance on a par with human experts in challenges but is undoubtedly developing
occurred over the last few years in AI for image a broad variety of diagnostic tasks and were into an essential tool of modern medicine.
analysis, in relation to clinical applications and shown to be suitable for industrialization.
dermatology. Therefore, current developments focus less Keywords
Materials and methods. Following the on further improving accuracy but rather Computer-assisted image analysis · Deep
annual ImageNet challenge, we review address open issues such as interpretability learning · Visual features · Diagnostic imaging ·
classical methods of machine learning for and applicability under clinical conditions. Image analysis applications
image analysis and demonstrate how these
Eigenschaften des Bildes an diesen Stellen se konnte danach ein Testbild mit unbe- damit einhergehend der Rechenaufwand
abstrahieren. Diese Deskriptoren lassen kannter Kategorisierung in einen Merk- für den Abgleich. Es mussten also andere
sich z. B. aus Histogrammen der Ori- malsvektor überführt und mit dem Lexi- Möglichkeiten als das explizite Abspei-
entierung und Stärke von verschiedenen kon abgeglichen werden. Die Kategorie chern und Absuchen von Merkmalsvek-
Filterantworten ableiten. Alle Deskripto- des ähnlichsten Merkmalsvektors wur- toren gefunden werden.
ren eines Bildes wurden dann in einem de übernommen. Computer „sahen“ al-
Merkmalsvektor zusammengefasst, der so anhand des Abgleichs mit Beispie-
damit gewissermaßen als Fingerabdruck len in einem Lexikon. Das offensicht-
des Bildes diente und in einer Art Lexikon lichste Problem dieser Methodik war die
abgelegt wurde. In gleicher Art und Wei- explodierende Größe des Lexikons und
662 Der Hautarzt 9 · 2020Hier steht eine Anzeige. K
Leitthema
Herausforderung. Zudem kamen diese
Systeme nie an die für industrielle und
medizinische Anwendungen geforderte
Leistungsfähigkeit heran. Auch unsere
damalige Anwendung zur Erkennung
und Quantifizierung von Handekzem
auf Bildern mit einer durchschnittli-
chen Auflösung von 1500 × 1000 Pixel
konnte trotz performanter Hardware
auf nur wenigen dutzend Bildern trai-
niert werden – viel zu wenige, um die
vielfältigen Ausprägungen von Handek-
zem mit unterschiedlichen Hauttypen
und Anomalien wie Ringe, Tattoos oder
fehlenden Gliedmaßen repräsentativ zu
erfassen. Zudem dauerte die Analy-
se eines einzigen Testbilds über 3 min.
Abb. 2 8 Linien- und Kantenfilter machen charakteristische Bildstrukturen sichtbar Zusammengefasst skalierte die Sup-
port-Vector-Machine nicht für große
Datenmengen, und mit der Wahl der
Zeitalter der Support Vector de Technik in der Bilderkennung und Merkmale basierte dieses Verfahren zu
Machine erreichte gemäß . Abb. 1 doch eine be- stark auf menschlicher Expertise. Den
achtlich tiefe Top-5-Fehlerrate von unter Wendepunkt markierte das Jahr 2012,
Das automatisierte Lernen von Zu- 26 % bei 1000 möglichen Kategorien. als mit AlexNet [15] erstmals ein Deep-
ordnungen anhand von in der Regel Auch die Autoren dieses Beitrags haben Learning-Verfahren die ImageNet Chal-
durch menschliche Experten erstellen sich noch 2015 derselben Techniken be- lenge gewann, und zwar gleich mit einer
Trainingsdaten wird als überwachtes holfen, um Handekzem auf Fotografien Verbesserung um 10 % in der Top-5-
Lernen bezeichnet (engl. „supervised erkennen und quantifizieren zu können Fehlerrate gegenüber dem Vorjahr.
learning“). Das oben skizzierte Verfah- [22]. Aus über 30 Bildfiltern wurden cha-
ren mit dem Lexikonabgleich entspricht rakteristische Hautstrukturen sichtbar Mit neuronalen Netzen zum
dabei einem Nearest-Neighbors-Modell. gemacht, zu komplexeren, handverlese- Paradigmenwechsel
Andere Modelle der damaligen Zeit, nen Merkmalen kondensiert und mittels
wie z. B. Entscheidungsbäume, waren der Support Vector Machine auf die Deep Learning basiert auf sog. neurona-
zwar effizienter, konnten jedoch nur 3 Kategorien Handekzem, gesunde Haut len Netzen, einem durch das biologische
lineare oder eben stückweise lineare Ab- und Hintergrund abgebildet. Neuron inspirierten Verfahren des ma-
bildungen von Merkmalsvektoren auf schinellen Lernen, dessen Grundzüge
Objektkategorien lernen, was sich eben- Deep-Learning-Revolution bereits 1943 von einem Neurophysiolo-
falls als nicht hinreichend herausstellte. gen und einem Mathematiker zusam-
Die vielversprechendste Methode war In diesen frühen Jahren der ImageNet men skizziert wurden [18]. Ein einzelnes
die sog. Support Vector Machine (SVM). Challenge konnten selbstlernende Algo- künstliches Neuron, wie in . Abb. 3 dar-
Dieser Algorithmus unterteilt den Raum rithmen keine rohen Pixelwerte verar- gestellt, wendet eine nichtlineare Trans-
der Merkmale mittels Hyperebenen so, beiten. Die Support-Vector-Machine war ferfunktion auf eine gewichtete Summe
dass der Abstand zwischen einem Merk- also darauf angewiesen, dass mensch- seiner Inputwerte an. Nun werden Tau-
malsvektor und der Grenze zur nächsten liche Experten eine geeignete Auswahl sende solcher künstlichen Neuronen in
Bildkategorie maximiert wird. Dabei von Merkmalen zur Verfügung stellten. Schichten hierarchisch angeordnet, so-
mussten nur noch diese minimalen Ab- Darüber hinaus stießen diese Systeme dass der Output einer früheren Schicht
standsvektoren gespeichert werden und hinsichtlich Rechenzeit und Speicher- den Input einer späteren Schicht lie-
eben keine umfangreichen Lexika von verbrauch schnell an die Grenzen der fert. Inspiriert wurde diese Architektur
Referenzbeispielen mehr. Das Problem damaligen Computertechnologie. Es auch durch den Konnektionismus, der
der Linearität wurde umgangen, indem konnten folglich nur wenige Bildfilter versucht, mentale Phänomena durch
die Merkmalsvektoren mit dem sog. Ker- zur Berechnung der Merkmale verwen- Verbindungen, Signale und Interak-
neltrick in einen höher dimensionalen det werden, die verarbeitbare Menge tionen zwischen einer großen Anzahl
Raum projiziert wurden. Bis 2012 war die an Trainingsbildern war stark einge- einfacher Einheiten zu beschreiben. Die
Support Vector Machine in Kombinati- schränkt, und insbesondere der Umgang Gesamtheit der Gewichte aller einzelnen
on mit manuell ausgewählten Bildfiltern mit hochauflösenden Bildern mit Mil- Neuronen bilden dabei die Parame-
und Deskriptoren die vorherrschen- lionen von Pixeln war eine immense ter des Systems, deren Werte in einem
664 Der Hautarzt 9 · 2020phaGo 2017 den damaligen Weltmeister
Ke Jie im Brettspiel GO schlug, war
Abb. 3 9 Ein künst- dies zweifellos eine Meisterleistung und
liches Neuron be- damit ein historisches Ereignis in der
rechnet eine nicht- Entwicklung der künstlichen Intelligenz
lineare Funktion [8]. Das zuverlässige Kategorisieren und
einer gewichteten Segmentieren von Objekten auf Bilder
Summer seiner Ein-
gabewerte, y = hat aber ungleich weitreichendere Be-
f (w 1 x1 + . . . + deutung nicht nur für medizinische An-
w n x n + b), wobei wendungen, sondern gleichsam für die
x i die Eingabewerte Entwicklung autonomer Fahrzeuge, der
und w i die aus den automatisierten Schädlingsbekämpfung
Trainingsdaten ge-
lernten Gewichte in der Landwirtschaft oder der optischen
darstellen Qualitätskontrolle in der produzieren-
den Industrie. So gesehen, markiert der
sehr rechenintensiven Trainingsprozess als die klassischen Verfahren des ma- Durchbruch von 2016 in der Bildanalyse
namens Backpropagation unter Zuhilfe- schinellen Lernens. Dies ermöglichte die auch gleichzeitig den Beginn von „Big
nahme bereits kategorisierter Trainings- Bildsegmentierung, also die Kategorisie- Business with Artificial Intelligence“. Im
daten ermittelt werden. Es kann gezeigt rung einzelner Pixel anstelle ganzer Bil- Übrigen schlug AlphaGo bereits 2016
werden, dass solche Netze prinzipiell der bis hin zur Echtzeitanalyse von Be- den topklassierten Spieler Lee Sedol und
jede Funktionen, also Abbildung auf wegtbildern in Videos – und dies so- nutzte dabei dieselben Techniken („con-
Kategorien, approximieren können. gar mit der eingeschränkten Leistungs- volutional neural networks“) zur Analyse
Die hierarchische Anordnung künstli- fähigkeit eines Smartphone-Prozessors. unzähliger auf öffentlichen Spielservern
cher Neuronen in einem Deep-Learning- So ist es nicht erstaunlich, dass andere gesammelter Brettsituationen.
Netz erlaubte fortan die direkte Verar- algorithmische Verfahren der Bildana- Mit dem Einzug der künstlichen In-
beitung der rohen Pixelwerte. Damit lyse weitestgehend in der Bedeutungs- telligenz in die medizinische Bildanalyse
entfiel die menschliche Auswahl von losigkeit verschwanden. Aus technologi- veränderte sich auch deren angestamm-
Bildfilter als mögliche Fehlerquelle in scher Sicht beruht der durchschlagende te Forschungsmethodik. Über Nacht
der Bilderkennung. Werden die gelern- Erfolg von Deep Learning v. a. auf der erschienen Google, Microsoft, Facebook
ten Gewichte in einem neuronalen Netz Tatsache, dass neuronale Netze sehr viel und OpenAI auf den Autorenlisten me-
über die verschiedenen Schichten hin- größere Datenmengen verarbeiten und dizinischer Publikationen; es werden
weg visualisiert, so fällt auf, dass frühere damit statistisch besser verallgemeinern medizinische Datenbanken kuratiert
Schichten eigenständig primitive Bild- können [2]. Die mathematischen Opera- und für Forschung und Wettbewerbe öf-
strukturen zu erkennen lernen und damit tionen in einem neuronalen Netz lassen fentlich zur Verfügung gestellt. Beispiels-
Filteroperationen imitieren. In späteren sich als Additionen und Multiplikatio- weise beinhaltet ISIC-2019 über 25.000
Schichten werden diese Informationen nen von Matrizen auffassen und dadurch dermatoskopische Bildaufnahmen an-
automatisch zu komplexeren Merkmalen sehr viel effizienter auf spezialisierten notiert mit 9 diagnostischen Kategorien,
kondensiert und schlussendlich auf eine Grafikprozessoren ausführen. Dement- wie z. B. „melanoma“, „melanocytic ne-
Wahrscheinlichkeitsverteilung über die sprechend verdankt die moderne künst- vus“, „dermatofibroma“ oder „actinic
möglichen Bildkategorien abgebildet. liche Intelligenz ihren Durchbruch zu- keratosis“ [6]. Die ISIC Challenge mit
Computer begannen also, die mensch- mindest teilweise der Computerspielin- den Disziplinen „lesion segmentation“,
liche Leistungsfähigkeit zu übertreffen, dustrie. Ein zweiter Katalysator war na- „lesion attribute detection“ und „disease
nachdem sie von der expliziten Eingabe türlich die rasante Durchdringung un- classification“ wird seit 2016 alljährlich
menschlichen Wissens befreit werden seres Alltags durch das Social Web und durchgeführt.
konnten. Yoshua Bengio, Geoffrey Hin- damit einhergehend die explosionsartige
ton und Yann LeCun, die Pioniere dieses Ausweitung und Verfügbarkeit von Bild- Aktuelle Herausforderungen
Fachgebiets, wurden denn auch 2018 und Textdaten im Internet.
mit dem ACM Turing Award, dem No- Neuronale Netze manifestieren sich dem
belpreis der Informatik, ausgezeichnet Big Business durch künstliche Menschen gegenüber als Blackbox. Sie
[5]. Seit 2012 wurde jede ImageNet Intelligenz berechnen ihre Resultate aufgrund von
Challenge durch den Einsatz von Deep Millionen von Parameterwerten, die zu-
Learning gewonnen. Nicht nur für uns Menschen gehört vor in einem oftmals tagelangen Rechen-
Obwohl sich der Trainingsprozess von das Sehen zu den wichtigsten Voraus- prozess unter Miteinbezug von zehntau-
neuronalen Netzen enorm recheninten- setzungen, um erfolgreich mit unserer senden durch Menschen annotierten Bil-
siv gestaltet, so ist die spätere Anwen- Umgebung interagieren zu können. Als dern, Texten oder anderen Daten festge-
dung von trainierten Netzen effizienter eine künstliche Intelligenz namens Al- legt wurden. Zu Recht stellt sich dabei
Der Hautarzt 9 · 2020 665Leitthema
Abb. 4 8 a Originalbild aus [7], mit freundl. Genehmigung, ©David.moreno72, CC BY-SA 4.0, https://creativecommons.org/
licenses/by-sa/4.0/. b, c Wärmebilder (GradCam und Guided Backpropagation) für die Diagnose („basal cell carcinoma“)
(0,816). d, e Wärmebilder (GradCam und Guided Backpropagation) für die Diagnose („melanocytic nevus“) (0,045)
die Frage, was ein neuronales Netz nun auf die Klassifizierung hervorheben. Die Die zentralste Herausforderung über-
tatsächlich gelernt hat, wie es zu einem . Abb. 4 zeigt ein dermatoskopisches haupt ergibt sich aus dem beinahe un-
bestimmten Resultat kommt und inwie- Bild, für das ein Deep-Learning-Modell stillbaren Datenhunger moderner Deep-
fern sich dieses gegenüber menschlichen eine Wahrscheinlichkeit von 81,6 % für Learning-Modelle. Je mehrParameterein
Experten rechtfertigen oder gegenüber die Diagnose „basal cell carcinoma“ und Modell hat, desto grösser ist seine Lern-
Laien erklären lässt. Handelt es sich bei 4,5 % für „melanocytic nevus“ prognos- kapazität. Folglich werden mit immer
der Anwendung um eine optische Ent- tiziert. Die beiden Wärmebilder zeigen, mehr Rechenressourcen immer größere
riegelungsfunktion einer Katzentür, so welche Bildbereiche die entsprechenden Modelle trainiert zum Preis eines immer
sind die meisten Kunden durchaus ge- Diagnosen stützen. weiter ansteigenden Datenbedarfs. Ge-
willt, diese Intransparenz zu akzeptieren. rade in der Medizin ist das verfügbare
Interessanterweise stimmt diese Aussa-
ge sogar für höchst sicherheitsrelevante »aktivsten
XAI ist eines der derzeit
Forschungsfelder in der
Bildmaterial jedoch beschränkt, sei es
aufgrund von seltenen Erscheinungen,
Systeme. Vielleicht nutzen auch Sie die Datenschutzaspekten, besonders aber
Smartphone-Gesichtserkennung für den künstlichen Intelligenz aufgrund der mangelnden Verfügbarkeit
Zugriff auf Ihre höchst privaten Bilder, menschlicher Experten zur Annotation
Nachrichten oder Passwörter und ver- Weiterführende Ansätze trainieren hier- von Trainingsdaten. Somit war es denn
trauen damit einem neuronalen Netz, archische Modelle, die z. B. auf einer auch keine algorithmisch-mathemati-
dessen erlerntes Wissen sich nicht einmal dermatoskopischen Aufnahme zuerst sche Erkenntnis, die den wichtigsten
seinen Entwicklern erschließt. differenzialdiagnostische Merkmale wie und eingangs bereits erwähnten Durch-
Weitaus differenzierter gestaltet sich „pigment network“, „streaks“, „globu- bruch hinsichtlich Industrialisierbarkeit
diese Beziehung in medizinischen An- les“ oder „milia-like cyst“ identifizieren von Deep-Learning-Modellen ermög-
wendungen. Wir können zwar die Feh- und erst danach eine Diagnose ableiten. lichte, sondern ein brillanter und auf viel
lerrate von neuronalen Netzen auf kli- Damit benötigt dieser Ansatz aber auch Intuition beruhender technischer Kniff.
nisch validierten und repräsentativen eine hinreichende Menge von auf dieser Frühe Schichten in neuronalen Netzen
Testdaten erheben, in Wettbewerben mit Granularität annotierten Trainingsdaten, lernen einfache Bildstrukturen, spätere
menschlichen Fachexperten vergleichen, und damit steigt unweigerlich der Auf- Schichten kombinieren diese zu komple-
darauf hinweisen, dass neuronale Netze wand in der Datenbeschaffung. Inspiriert xen Merkmalen und leiten schlussend-
Dutzende von Diagnosen pro Sekunde durch den klinischen Alltag und befähigt lich eine Wahrscheinlichkeitsverteilung
reproduzierbar liefern und sich als me- durch die erstaunlichen Fortschritte in über mögliche Kategorien daraus ab.
dizinischer Service in Smartphone-Apps der Deep-Learning-basierten Textgene- Der Kniff besteht nun darin, dass zum
über die Welt verteilen lassen. Es bleibt zu rierung soll sich die modernste Form Erlernen einfacher Bildstrukturen wie
Recht die Frage nach der Erklärbarkeit. der künstlichen Intelligenz nicht mehr Linien und Kanten gar keine medizini-
Explainable Artificial Intelligence (XAI) nur mit der Voraussage der wahrschein- schen Daten benötigt werden. Vielmehr
ist damit auch eines der derzeit aktivs- lichsten Diagnose begnügen, sondern lassen sich diese Modelle auf riesigen,
ten Forschungsfelder in der künstlichen dazu gleich einen medizinischen Bericht allgemeinen Bilddatenbanken einmalig
Intelligenz. Neben der Modellkomplexi- zu Händen des menschlichen Arztes vortrainieren. Dann werden die Parame-
tät ist diese Intransparenz der Tatsache verfassen. In der Medizin fehlen dazu ter der frühen Schichten eingefroren und
geschuldet, dass neuronale Netze nur aktuell noch die nötigen Trainingsdaten, nur die späteren Schichten auf einem
Korrelationen berechnen, jedoch keine jedoch hat Facebook Research bereits domänenspezifischen Datensatz noch-
Kausalitätsbeziehung ableiten können. gezeigt, dass neuronale Netze von einer mals trainiert, wobei durch die damit
Erste Ansätze basieren auf Visualisie- Fotoaufnahme eines Gerichts das dazu erreichte Reduktion der Parameter sehr
rungstechniken, die auf dem Originalbild passende Kochrezept verfassen können viel weniger Bilder und Rechenleistung
die Bereiche mit dem stärksten Einfluss [21]. benötigt werden. Wir bezeichnen dieses
666 Der Hautarzt 9 · 2020Abb. 5 9 a–f Durch eine
künstliche Intelligenz ge-
nerierte Bilder menschli-
cher Haut. (Aus [23])
Vorgehen als Transfer Learning. Google, tografien von gefälschten Bildern unter- nische Eigenschaften oder lassen Glied-
Facebook und Co. stellen mittlerweile scheiden können. Nun wurden die Opti- maßen nachwachsen.
ganze Bibliotheken von vortrainierten mierungsfunktionen beider Netze so ge- So groß wie die Erfolge von Deep
Modellen zur Verfügung, für deren koppelt, dass, wenn sich der Fälscher im Learning und anderen Methoden der
Training die wenigsten Forschungsin- Laufe des Trainingsprozesses verbessert künstlichen Intelligenz in der medi-
stitutionen überhaupt über die nötige und damit realistischere Bilder generiert, zinischen Bildanalyse der letzten Jah-
Rechenleistung verfügen würden und die sich der Polizist bei der Unterscheidung re, so groß sind unsere Erwartungen
wir nun mit wenigen Tagen Aufwand zwischen echt und unecht ebenfalls ver- und gleichsam die damit verbunde-
und überschaubaren Datenmengen an- bessern muss. Verbessert sich umgekehrt nen Herausforderungen. Immer wie-
wendungsspezifisch anpassen können. der Polizist, muss der Fälscher seiner- der übertreffen technische Systeme die
seits nachziehen und noch bessere Fäl- menschliche Leistungsfähigkeit unter
Generative Modelle schungen generieren usw. Gelangt die- Laborbedingungen und scheitern dann
ser Prozess in einen Gleichgewichtszu- doch im klinischen Alltag an so unter-
Der Name von Facebooks Chief AI Scien- stand, wurde eine künstliche Intelligenz schiedlichen Aspekten wie Akzeptanz,
tist Yann LeCun ist im Zusammenhang erschaffen, die Bilder aufgrund erlernter Prozessintegration, Bedienbarkeit in
mit dem Turing Award für seine epo- statistischer Strukturen generieren kann, Stresssituationen oder den technischen
chalen Beiträge zur Deep-Learning-For- die eine andere künstliche Intelligenz ih- Gegebenheiten [14]. Nur zu gerne schlie-
schung bereits gefallen. Seine viel zitier- rerseits nicht mehr von echten Bildern ßen wir uns also dem Zitat von Michael
te Aussage bezieht sich auf ein von Ian unterscheiden kann. Abramoff, dem Entwickler des eingangs
Goodfellow 2014 vorgeschlagenes Kon- erwähnten ophthalmologischen Deep-
zept namens Generative Adversarial Net-
works (GAN) zur künstlichen Generie- »wurdeAusArtificial
Artificial Intelligence
Creativity
Learning-Systems und damit Empfänger
der ersten Zulassung der amerikanischen
rung von Fotografien [3], in den Popu- Arzneimittelbehörde, an:
lärmedien auch Deepfakes genannt:
There is much more to Healthcare than Al-
GANs unterstützen heute nicht nur den
The coolest idea in Deep Learning in the gorithms [13].
menschlichen Designprozess von Mö-
last 20 years [11].
belstücken oder Kleider, sondern finden
Goodfellow ließ 2 neuronale Netze, einen zunehmend Einzug in die medizinische Fazit für die Praxis
„Fälscher“ und einen „Polizisten“, in ei- Bildanalyse: GANs generieren fotorealis-
nem kompetitiven Spiel gegeneinander tische Bilder von Gewebe und Organen, 4 Bildanalytische Verfahren der moder-
antreten. Der Fälscher generiert künst- wie in . Abb. 5 gezeigt, übertragen patho- nen künstlichen Intelligenz erreichen
liche Bilder, der Polizist muss echte Fo- logische Erscheinungen oder entfernen heute in vielen Fällen die für den
diese auf Patientenbilder, verändern eth-
Der Hautarzt 9 · 2020 667Leitthema
industriellen und klinischen Einsatz cancer screening. Nature. https://doi.org/10.1038/
Literatur s41586-019-1799-6
geforderte Genauigkeit und über- 20. Russakovsky O, Deng J, Su H et al (2015) Imagenet
treffen sogar teilweise die Leistung 1. Esteva A, Kuprel B, Novoa RA et al (2017) large scale visual recognition challenge. Int J
Dermatologist-level classification of skin cancer Comput Vis. https://doi.org/10.1007/s11263-015-
menschlicher Experten. with deep neural networks. Nature. https://doi. 0816-y
4 Trotz zahlreicher Herausforderungen org/10.1038/nature21056 21. Salvador A, Drozdzal M, Giro-I-Nieto X, Romero A
in Bezug auf ihren Datenhunger, 2. Goodfellow I, Bengio Y, Courville A (2016) Deep (2019) Inverse cooking: recipe generation from
learning. MIT Press, Cambridge, Massachusetts food images. Proc IEEE Comput Soc Conf Comput
mangelnde Interpretierbarkeit und 3. Goodfellow IJ, Pouget-Abadie J, Mirza M et al Vis Pattern Recognit. https://doi.org/10.1109/
Anwendbarkeit unter klinischen (2014) Generative adversarial nets. In: Ghahramani CVPR.2019.01070
Alltagsbedingungen entwickelt sich Z, Welling M, Cortes C, Lawrence ND, Weinberger 22. Schnürle S, Pouly M, Vor Der Brück T et al (2017) On
KQ (Hrgs) Advances in Neural Information using support vector machines for the detection
diese Technologie fortwährend zu Processing Systems 27, Curran Associates, Inc., and quantification of hand eczema. ICAART 2017
einem unverzichtbaren Werkzeug in S 2672–2680. https://papers.nips.cc/paper/5423- – Proc 9th Int Conf Agents Artif Intell. https://doi.
der modernen Medizin. generative-adversarial-nets org/10.5220/0006125000750084
4. He K, Zhang X, Ren S, Sun J (2016) Identity 23. Zenodo: https://zenodo.org/record/3873159#.
mappings in deep residual networks. Lect Notes XuDaIbxxe70. Zugegriffen: 3. August 2020
Comput Sci (including Subser Lect Notes Artif
Korrespondenzadresse Intell Lect Notes Bioinformatics). https://doi.org/
10.1007/978-3-319-46493-0_38
Prof. Dr. Marc Pouly 5. https://awards.acm.org/about/2018-turing. Zu-
Informatik, Hochschule gegriffen: 23. Mai 2020
Luzern 6. https://challenge2019.isic-archive.com. Zugegrif-
Suurstoffi 1, 6343 Rotkreuz, fen: 24. Mai 2020
Schweiz 7. https://en.wikipedia.org/wiki/Basal-cell_
marc.pouly@hslu.ch carcinoma#/media/File:Dermoscopy_nodular_
basal_cell_carcinoma.jpg. Zugegriffen: 3. August
2020
Funding. Open access funding provided by Lucerne 8. https://events.google.com/alphago2017/. Zuge-
University of Applied Sciences and Arts griffen: 23. Mai 2020
9. https://www.fda.gov/news-events/press-
announcements/fda-permits-marketing-
artificial-intelligence-based-device-detect-
Einhaltung ethischer Richtlinien certain-diabetes-related-eye. Zugegriffen: 23. Mai
2020
10. https://www.mdmag.com/medical-news/ai-
Interessenkonflikt. M. Pouly, T. Koller, P. Gottfrois model-flags-patients-at-risk-osteoporosis. Zu-
und S. Lionetti geben an, dass kein Interessenkonflikt gegriffen: 23. Mai 2020
besteht. 11. https://www.nature.com/news/astronomers-
explore-uses-for-ai-generated-images-1.21398
Für diesen Beitrag wurden von den Autoren keine 12. https://www.nytimes.com/2015/12/11/science/
Studien an Menschen oder Tieren durchgeführt. an-advance-in-artificial-intelligence-rivals-
Für die aufgeführten Studien gelten die jeweils dort human-vision-abilities.html. Zugegriffen: 23. Mai
angegebenen ethischen Richtlinien. 2020
13. https://www.technologyreview.com/2020/04/
Open Access. Dieser Artikel wird unter der Creative 27/1000658/google-medical-ai-accurate-lab-
Commons Namensnennung 4.0 International Lizenz real-life-clinic-covid-diabetes-retina-disease/
veröffentlicht, welche die Nutzung, Vervielfältigung, 14. https://www.technologyreview.com/2020/04/
Bearbeitung, Verbreitung und Wiedergabe in jegli- 27/1000658/google-medical-ai-accurate-lab-
chem Medium und Format erlaubt, sofern Sie den/die real-life-clinic-covid-diabetes-retina-disease/.
ursprünglichen Autor(en) und die Quelle ordnungsge- Zugegriffen: 23. Mai 2020
mäß nennen, einen Link zur Creative Commons Lizenz 15. Krizhevsky A, Sutskever I, Hinton GE (2012)
beifügen und angeben, ob Änderungen vorgenom- ImageNet classification with deep convolutional
men wurden. neural networks. In: Pereira F, Burges CJC,
Bottou L, Weinberger KQ (Hrgs) Advances in
Die in diesem Artikel enthaltenen Bilder und sonstiges Neural Information Processing Systems 27, Curran
Drittmaterial unterliegen ebenfalls der genannten Associates, Inc., S 1097–1105. http://papers.nips.
Creative Commons Lizenz, sofern sich aus der Abbil- cc/paper/4824-imagenet-classification-with-
dungslegende nichts anderes ergibt. Sofern das be- deep-convolutional-neural-networks.pdf
treffende Material nicht unter der genannten Creative 16. Liu X, Faes L, Kale AU et al (2019) A comparison
Commons Lizenz steht und die betreffende Handlung of deep learning performance against health-care
nicht nach gesetzlichen Vorschriften erlaubt ist, ist für professionals in detecting diseases from medical
die oben aufgeführten Weiterverwendungen des Ma- imaging: a systematic review and meta-analysis.
terials die Einwilligung des jeweiligen Rechteinhabers Lancet Digit Heal. https://doi.org/10.1016/S2589-
einzuholen. 7500(19)30123-2
17. Liu Y, Jain A, Eng C et al (2020) A deep learning
Weitere Details zur Lizenz entnehmen Sie bitte der system for differential diagnosis of skin diseases.
Lizenzinformation auf http://creativecommons.org/ Nat Med. https://doi.org/10.1038/s41591-020-
licenses/by/4.0/deed.de. 0842-3
18. McCulloch WS, Pitts W (1943) A logical calculus of
the ideas immanent in nervous activity. Bull Math
Biophys. https://doi.org/10.1007/BF02478259
19. McKinney SM, Sieniek M, Godbole V et al (2020)
International evaluation of an AI system for breast
668 Der Hautarzt 9 · 2020Sie können auch lesen
