Skip to main content English

Machine Learning in Medical Imaging: So bleiben Computermodelle up-to-date

Forscher der MedUni Wien entwickeln Algorithmus für ein sich ständig änderndes dynamic memory
Alle News
Copyright (c) 2017 create jobs 51/Shutterstock

(Wien, 28-09-2021) Wenn Modelle auf dem Gebiet des maschinellen Lernens in der Medizin einmal funktionieren, heißt das noch lange nicht, dass das so bleibt. Während sie die Diagnose unterstützen, verändern sich diagnostische Technologien – ihre Datenquellen – und die Modelle veralten. In einem aktuell im Journal Nature Communications veröffentlichten Paper stellen Forscher der MedUni Wien mit Kollegen aus den USA eine neue Methode vor, mit deren Hilfe Modelle “mitlernen” können, während sich die Welt um sie verändert.

Modelle im Bereich des maschinellen Lernens, die in der klinischen Routine eingesetzt werden, verarbeiten diagnostische Bilddaten, um bei der Diagnose und der Vorhersage individueller Krankheitsverläufe zu helfen. Sie stehen dabei dem Einfluss des ständigen Fortschritts bildgebender Technologien und diagnostischer Verfahren gegenüber. Was jetzt funktioniert, kann rasch out-of-date sein, während neue Scanner zum Repertoire hinzugefügt werden und sich die Bildcharakteristika unabhängig von Krankheitsbildern ändern. Die Genauigkeit und Robustheit der Algorithmen verschlechtert sich.

In dieser Arbeit stellen Matthias Perkonigg (Computational Imaging Research Lab, Universitätsklinik für Radiologie und Nuklearmedizin) und Kollegen eine neue Methode vor, die es ermöglicht, mit einer Form von continual learning Wissen über neue Bildcharakteristika im ununterbrochenen Strom von Bilddaten in Modelle aufzunehmen und gleichzeitig nicht die Fähigkeit zu verlieren, Daten älterer Technologien zu analysieren. Die Methode nutzt dazu zwei Strategien. Während des kontinuierlichen Trainings mit Bilddaten pflegt der vorgestellte Algorithmus ein sich ständig änderndes dynamic memory, das die Diversität der Trainingsdaten sicherstellt. Es ermöglicht, dass einerseits neue Bildcharakteristika erkannt und integriert werden, gleichzeitig aber das “Gedächtnis” nicht verarmt. Die zweite Strategie erkennt und nutzt Gruppen von Beispielen – sogenannte pseudo-domains – die ähnliche Eigenschaften aufweisen. Das können Gruppen von Zentren mit ähnlichem Equipment, oder auch spezifische Aufnahmeparameter sein.

Die Methode hat Anwendung in verschiedenen Gebieten, und in der Arbeit wird ihr Vorteil sowohl in der kardiologischen Bildgebung mit MRI, als auch in der Lungenbildgebung mit CT gezeigt.

Service: Nature Communications
Matthias Perkonigg, Johannes Hofmanninger, Christian Herold, James Brink, Oleg Pianykh, Helmut Prosch, and Georg Langs. Dynamic memory to alleviate catastrophic forgetting in continual learning with medical imaging. (2021) Nature Communications.
https://doi.org/10.1038/s41467-021-25858-z

https://www.nature.com/articles/s41467-021-25858-z