Ein internationales Forschungsteam aus Würzburg und Berlin hat ein KI-System entwickelt, das realistische Bilder von Darm-Polypen erzeugen kann. In einer internationalen Studie konnten selbst erfahrene Endoskopiker die KI-generierten Aufnahmen häufig nicht zuverlässig von echten Koloskopie-Bildern unterscheiden. Die in „Endoscopy International Open“ veröffentlichte Arbeit untersucht, wie realistisch synthetische medizinische Bilddaten inzwischen geworden sind und welches Potenzial sie für Ausbildung und KI-Training haben.
Für die Darmkrebsprävention ist die Koloskopie zentral, weil sich dabei Polypen erkennen und einordnen lassen. Für die Ausbildung von Ärztinnen und Ärzten sowie für die Entwicklung KI-gestützter Assistenzsysteme werden große Mengen hochwertiger Bilddaten benötigt. Das Problem dabei ist, dass medizinische Bilddaten sehr sensibel sind, ihre Weitergabe ist datenschutzrechtlich und ethisch aufwendig. Das Forschungsteam um Philipp Sodmann und Alexander Hann von der Universitätsklinik Würzburg wollte deshalb prüfen, ob synthetische Bilder eine praktikable Alternative sein können. Zu ähnlichen Ergebnissen kam beispielsweise auch eine Studie zu KI-generierten Gewebebildern.
Grundlage der Arbeit waren mehr als 40 Millionen Einzelbilder aus über 7000 Koloskopie-Untersuchungen aus acht Zentren. Mit diesen Daten trainierten die Forschenden ein sogenanntes Latent-Diffusion-Modell, also eine Bild-KI, die hochauflösende Darstellungen von Darm-Polypen erzeugen kann. Generiert wurden Bilder typischer Polypenformen aus mehreren Paris-Klassen. Seltene oder besonders komplexe Befunde lassen sich nach Angaben der Autoren bislang allerdings noch nicht zuverlässig erzeugen.
Wer erkennt KI-generierte Polypen?
Um den Realismus der Bilder zu bewerten, führten die Forschenden eine verblindete Studie durch. Daran nahmen 53 Endoskopiker aus 46 Zentren in 14 Ländern teil. Den Teilnehmenden wurden 40 Bilder in zufälliger Reihenfolge gezeigt, darunter 20 echte und 20 KI-generierte Polypenbilder. Zu jedem Bild mussten sie angeben, ob es sich um eine reale oder künstlich erzeugte Aufnahme handelt, und außerdem einschätzen, ob sie sich bei dieser Entscheidung eher sicher oder unsicher waren. Interessenten können unter www.thispolypdoesnotexist.com spielerisch testen, ob es sich bei den dort gezeigten Polypen um echte und künstliche handelt.
Die Auswertung zeigt, dass die künstlichen Bilder erstaunlich überzeugend wirkten. KI-generierte Bilder wurden nur in 66 Prozent der Fälle korrekt als künstlich erkannt. Reale Bilder wurden in 80 Prozent der Fälle korrekt als echt eingestuft. Die Gesamtgenauigkeit der Einordnungen lag bei 73 Prozent. Auffällig war zudem, dass die Teilnehmenden bei KI-generierten Bildern häufiger unsicher waren und für ihre Entscheidung länger brauchten. Laut Studie berichteten einige der beteiligten Ärztinnen und Ärzte, dass sie häufig eher geraten hätten und sich nur an sehr feinen Merkmalen wie Schleimhautreflexen oder leichter Unschärfe orientieren konnten.
Nach Einschätzung der Autoren spricht das dafür, dass die generierten Bilder wesentliche visuelle Eigenschaften echter Polypen überzeugend nachbilden, etwa Form, Oberfläche, Schleimhautstruktur und Gefäßmuster. Gleichzeitig untersuchte das Team, ob die KI womöglich lediglich Trainingsbilder reproduziert. Dazu wurden Ähnlichkeiten zwischen Trainingsdaten, echten Studienbildern und synthetischen Bildern mit Embedding- und Distanzanalysen verglichen. Die gezeigten synthetischen Bilder unterschieden sich demnach von ihren nächsten Nachbarn im Trainingsdatensatz, sodass eine bloße Wiederholung der verwendeten Originalbilder für die Studienbeispiele unwahrscheinlich erscheint. Vollständig ausschließen lässt sich nach Angaben der Autoren jedoch nicht, dass ein solches Modell prinzipiell auch sehr ähnliche Reproduktionen erzeugen könnte.
Potenzial für Schulungsmaterial
Die Forschenden sehen in synthetischen Polypenbildern ein erhebliches Potenzial für die medizinische Ausbildung. Solche Daten könnten Trainingsplattformen ergänzen, Datenschutzprobleme verringern und die Verfügbarkeit von Bildmaterial verbessern. „Speziell in der Endoskopie ist es fast unmöglich gutes Schulungsmaterial zu erzeugen da fotografierte Krebsvorstufen immer unterschiedlich aussehen. Hier sehe ich großes Potenzial dass synthetische Bilder wesentliche Eigenschaften von Krebsvorstufen wie Größe oder Form gezielt simulieren können um so bei den Untersuchenden den größten Lernerfolg zu erzeugen“, erklärt Hann gegenüber heise online.
(mack)
English (US) ·