Neues KI-Tool erkennt medizinische Bilder mit wenig Daten

Ein neuartiges KI-Tool namens GenSeg könnte die Entwicklung von medizinischen Bildanalyse-Systemen erheblich vereinfachen und kostengünstiger machen, insbesondere in Szenarien mit nur geringen Mengen an annotierten Patientenbildern. Entwickelt von Li Zhang und einem Forschungsteam um Professor Pengtao Xie von der University of California San Diego, überwindet das System eine zentrale Hürde der Deep Learning-Anwendung in der Medizin: die hohe Abhängigkeit von großen, manuell beschrifteten Datensätzen. Traditionelle Ansätze zur Segmentierung medizinischer Bilder – bei der jedes Pixel einer Bildregion zugeordnet wird, z. B. gesundes oder krankes Gewebe – erfordern oft Tausende von Expertenannotationen, was zeitaufwendig und teuer ist. Für seltene Erkrankungen oder spezifische klinische Umgebungen existieren solche Daten oft gar nicht. GenSeg adressiert dies durch eine neuartige, end-to-end-Strategie, die synthetische Bilddaten aus Segmentierungs-Masks generiert und diese direkt in den Lernprozess einbindet. Der Ansatz funktioniert in mehreren Schritten: Zunächst lernt das Modell, realistische Bilder aus Masken zu erzeugen. Anschließend nutzt es diese synthetischen Bild-Masken-Paare, um ein Segmentierungsmodell mit nur wenigen echten, annotierten Beispielen zu trainieren. Ein entscheidender Mechanismus ist dabei ein kontinuierlicher Rückkopplungsprozess: Die Leistung des Segmentierungsmodells beeinflusst direkt die Qualität der generierten Daten. So werden die künstlichen Bilder nicht nur visuell plausibel, sondern gezielt darauf optimiert, die Genauigkeit des Modells zu steigern. Die Methode wurde an einer Vielzahl von Aufgaben getestet – von der Erkennung von Hautläsionen in Dermoskopie-Bildern über Brustkrebs in Ultraschallbildern bis hin zu Plazentavasen in fetoskopischen Aufnahmen, Darmpolypen bei Koloskopien und Fußgeschwüren in normalen Fotos. Auch bei 3D-Bildern wie der Darstellung des Hippocampus oder der Leber zeigte das Tool überzeugende Ergebnisse. In Szenarien mit extrem wenig Trainingsdaten verbesserte GenSeg die Leistung um 10 bis 20 Prozent gegenüber bestehenden Methoden – und benötigte dabei bis zu 20-mal weniger reale Daten. Ein praktisches Beispiel: Ein Dermatologe könnte bei der Diagnose von Hautkrebs statt Tausenden von Bildern lediglich 40 annotieren, und das KI-Tool würde die restlichen Erkenntnisse aus synthetischen Daten ergänzen. Dies könnte die Diagnose schneller und präziser machen, besonders in Ressourcen-begrenzten Kliniken. Die Forscher planen, das Tool weiter zu verfeinern, indem sie klinische Rückmeldungen direkt in den Trainingsprozess integrieren, um die Relevanz der generierten Daten für die tatsächliche Praxis zu erhöhen. Damit könnte GenSeg ein Schlüsselwerkzeug für die breitere Einführung von KI in der medizinischen Bildanalyse werden. Industrieexperten sehen in GenSeg eine bedeutende Fortschrittsstufe: „Es löst das klassische Dilemma der KI in der Medizin – zu wenig Daten für zu viel Leistung“, sagt Dr. Lena Müller, KI-Experte am Deutschen Krebsforschungszentrum. „Die Integration von Daten-Generierung und Modelltraining in einem geschlossenen System ist bahnbrechend. Wenn sich das Tool in der klinischen Praxis bewährt, könnte es die Entwicklung neuer Diagnosetools für seltene Erkrankungen massiv beschleunigen.“ GenSeg ist Teil eines Trends hin zu datensparsamen, aber leistungsfähigen KI-Systemen, die die medizinische Versorgung global zugänglicher machen könnten.