VisionPro Deep Learning erkennt Covid-19-Bilder auf Lungen-Röntgenaufnahmen
Die Anwendung der Cognex VisionPro® Deep-Learning-Software zur Erkennung von COVID-19-Bildern auf Röntgenaufnahmen der Lunge konnte kürzlich sehr gute Erfolge verzeichnen und stellte einige andere Deep-Learning-Modelle, die von Life-Science-Forschungsgruppen auf der ganzen Welt entwickelt wurden, in den Schatten. Diese Anwendung wurde nun einem Peer-Review durch die führende Fachzeitschrift für künstliche Intelligenz, SN Computer Science aus dem Springer-Verlag, unterzogen. „Identification of images of COVID-19 from Chest X-rays using Deep Learning: Comparing Cognex VisionPro Deep Learning 1.0 Software with Open-Source Convolutional Neural Networks“1 wurde nach einem mehrmonatigen wissenschaftlichen Peer-Review im März 2021 veröffentlicht.
Die Forschungsarbeit wurde anhand eines von der University of Waterloo zur öffentlichen Nutzung bereitgestellten Datensatzes von Thorax-Röntgenaufnahmen erstellt. Im Rahmen des von Cognex finanzierten Experiments setzte das Cognex Life Sciences Team die Software VisionPro Deep Learning 1.0 für die Erkennung von COVID-19-Bildern ein. Zu diesem Zweck wurden Thorax-Röntgenaufnahmen mit positiven COVID-19-Ergebnissen im Vergleich zu Thorax-Röntgenaufnahmen von gesunden Patienten oder solchen, die keine durch COVID-19 hervorgerufene Lungenentzündung aufweisen, analysiert. In einem Folgepapier vergleicht das Team die Wirksamkeit der Anwendung der VisionPro Deep-Learning-Software zur Erkennung von COVID-19-Bildern in CT-Scans. In der Arbeit wird auch untersucht, wie die Software noch schneller und leichter programmiert werden kann. Auch hier konnten deutlich positive Ergebnisse verzeichnet werden.
Röntgenaufnahmen, CT-Scans und COVID-19
Anhand von medizinischen Bildaufnahmen wie Röntgenbildern können Ärzte und Radiologen nachvollziehen, dass die COVID-19-Labortests richtig sind. Darüber hinaus kann die Deep-Learning-Software, die sich bei der Programmierung eher an der Art, wie Kinder lernen, orientiert als an komplexer Mathematik, ärztliches Personal entlasten, indem sie tausende medizinische Bilder analysiert und Abweichungen erkennt, die eine Diagnose widerlegen oder unterstützen.
Dass die Verwendung der beliebtesten Open-Source-Deep-Learning-Tools umfangreiche Programmierkenntnisse erfordert, kann dabei ein Hindernis darstellen. Es ist praktisch nicht zu erwarten, dass Gesundheitspersonal wie Ärzt*innen, Radiolog*innen und anderes medizinisches Personal diese Tools beherrschen.
Diesen Sommer machte sich ein Team von KI-Fachleuten (künstliche Intelligenz) bei Cognex daran, dieses Hindernis mit einer grundlegenden Hypothese zu überwinden: Könnte die Cognex-Software für industrielle Automatisierung eine benutzerfreundliche Alternative zu den weltbesten Open-Source-Deep-Learning-Tools bieten, die deren Leistungsfähigkeit erreicht? Die Studie mit dem Titel „Identification of images of COVID-19 from Chest X-rays using Deep Learning: Comparing Cognex VisionPro Deep Learning 1.0 Software with Open-Source Convolutional Neural Networks“ verglich das neuronale Computernetzwerk (CNN) von Cognex VisionPro Deep Learning mit mehreren bekannten Open-Source-CNNs zur Röntgenauswertung, einschließlich VGG19, ResNet, DenseNet, Inception und auch COVID-NET, ein durch KI geschaffenes CNN, das speziell auf die Erkennung von COVID-19 in Thorax-Röntgenaufnahmen zugeschnitten und von der University of Waterloo entwickelt wurde.
Nachdem die Arbeit der Autoren Arjun Sarkar, Joerg Vandenhirtz, Jozsef Nagy, David Bacsa und Mitchell Riley, die alle im Life Sciences Team von Cognex arbeiten, den Peer Review bestanden hatte, erregte sie die Aufmerksamkeit von großen Forschungsverlagen.
„Wir waren überrascht zu sehen, dass es für die Software leicht war, zwischen Krankheiten, die in Röntgenbildern sichtbar sind, zu unterscheiden“, sagte Vandenhirtz, leitender KI-Experte für Life Sciences bei Cognex. „Für den Menschen ist es fast unmöglich, bei verschiedenen Krankheiten Unterschiede in Röntgenbildern herauszufinden. Fünf Radiolog*innen können bei dieser Art von Bildern fünf verschiedene Meinungen haben.“
Studie 1: VisionPro Deep Learning ist herausragend und überlegen
Die Studie von Cognex stützte sich auf die Erkenntnisse von Forschern der University of Waterloo in Ontario, Kanada, mit dem Titel „COVID-Net: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest X-Ray Images.“ Die Co-Autoren Linda Wang und Alexander Wong verwendeten unter Einsatz von fast 14.000 Thorax-Röntgenaufnahmen in einem COVID-X genannten Datensatz künstliche Intelligenz zum Aufbau von COVID-Net, einem ausgeklügelten neuronalen Netz, das die Röntgenbilder analysierte und gelernt hat, Lungen zu erkennen, die typische Anzeichen von COVID-19 aufweisen.
Eine als F-Score bezeichnete rel="noopener noreferrer“ Messung beurteilt die Gesamtgenauigkeit eines Deep-Learning-Systems, das versucht, Muster und Anomalien auf digitalen Bildern genau vorherzusagen. Im Wesentlichen ist der F-Score das Verhältnis zwischen richtigen und falschen Vorhersagen, die vom Deep-Learning-System generiert werden.
Die Forscher*innen von Cognex trainierten ihre Deep-Learning-Tools anhand von fast 14.000 Röntgenbildern des COVID-X-Datensatzes. Die Bilder wurden in drei Kategorien unterteilt: normal, nicht durch COVID-19 hervorgerufene Lungenentzündung und COVID-19. Wie diese Tabelle des Vergleichs mehrerer Deep-Learning-Pakete zeigt, lieferte COVID-Net Ergebnisse mit starkem Vorhersagewert, deren F-Score-Werte von 92,6 % bei normalen Bildern bis zu 94,7 % bei COVID-19-Bildern reichen. VisionPro Deep Learning 1.0 war noch besser, mit F-Score-Werten von 95,6 % bei normalen Röntgenbildern und 97,0 % bei COVID-19-Röntgenaufnahmen.
Studie 2: VisionPro Deep Learning baut seinen Vorsprung mit CT-Scans aus
Eine jüngere Arbeit des gleichen Forschungsteams von Cognex geht von Thorax-Röntgenbildern einen Schritt weiter zu Thorax-CT-Scans. Obwohl viele Studien Erfolge bei der Erkennung von COVID-19-Bildern durch Verwendung von Deep Learning bei CT-Scans und Röntgenaufnahmen zeigten, benötigen die meisten Deep-Learning-Architekturen eine umfassende Programmierung, da sie keine grafische Benutzeroberfläche (GUI) zum Trainieren des Systems bieten. Für Radiolog*innen, die nicht genügend Kenntnisse im Bereich Deep Learning oder Programmierung haben, kann die Verwendung schwierig sein – vom Trainieren dieser Programme einmal ganz abgesehen.
Die jüngste Untersuchung von Cognex, in deren Mittelpunkt Effizienz und Benutzerfreundlichkeit als die zwei wichtigsten Überlegungen für weitere Prüfungen standen, befasste sich mit der erfolgreichen Erkennung von Bildern durch VisionPro Deep Learning, auf denen durch COVID-19 hervorgerufene und nicht durch COVID entstandene Lungenentzündungen zu sehen sind. Darüber hinaus wurde untersucht, wie viel Training erforderlich ist, um hohe F-Score-Werte zu erzielen. Die folgende Arbeit „Identification of COVID-19 from Chest Computed Tomography (CT) scans using Deep Learning: Comparing COGNEX VisionPro Deep Learning 1.0 Software with Open - Source Convolutional Neural Networks“ verwendet einen Bilddatensatz von Thorax-CTs von Linda Wangs Team des Labors für Vision und Bildverarbeitung der University of Waterloo, der mehr als 100.000 fachgerecht markierte Bilder enthält. Zusätzlich zu den CNNs insgesamt wurde VisionPro Deep Learning von Cognex mit anderen hochmodernen CNNs verglichen, einschließlich der CNN-Architekturen COVID-Net-CT-A und COVID-Net-CT-B der University of Waterloo sowie der neuesten CNN-Architektur Xception von Google.
Wie die folgende Tabelle zeigt, hat VisionPro Deep Learning 1.0 von Cognex etwas besser als alle anderen CNN-Netzwerkarchitekturen abgeschnitten, mit F-Score-Werten > 99,4 in allen drei Klassen (normal, nicht durch COVID hervorgerufene Lungenentzündung und COVID-19). Bei dieser Ausgangsuntersuchung wurde der ursprüngliche Datensatz mit 100.000 Bildern von CT-Scans in zwei Gruppen aufgeteilt: eine Trainingsgruppe mit 61.783 Bildern und eine „Test“-Gruppe mit 21.191 Bildern, die nach dem Training von jedem CNN analysiert wurden.
Um einen besseren Einblick zu bekommen, wie viele Bilder zum „Trainieren“ eines bestehenden Röntgen-CNN erforderlich sind, damit es normale, COVID-19- und Pneumonie-Zustände bewerten kann, begann Cognex noch einmal von vorne, das Cognex CNN anhand von 26.338 Bildern anstatt von 61.000 zu trainieren. Wie die folgende Tabelle zeigt, wurden die F-Score-Werte der jeweiligen CNN verglichen. VisionPro Deep Learning von Cognex übertraf die anderen CNN-Architekturen mit F-Score-Werten > 99,1 für alle drei Bildklassen (normal, COVID-19, Pneumonie), während die F-Score-Werte aller anderen CNNs auf hohe Achtziger- bis mittlere Neunzigerzahlen sanken, insbesondere in den beiden relevanten Krankheitsklassen: Pneumonie und COVID-19.
Deep Learning bietet Radiolog*innen ein leistungsstarkes Diagnosetool
Während die Erkenntnisse aus den ersten beiden Cognex-Studien noch von anderen medizinischen Forschenden überprüft werden müssen, sind die ersten Ergebnisse vielversprechend. Die Software wurde darüber hinaus noch nicht für den medizinischen Einsatz genehmigt.
Vandenhirtz sagte, dass das kurzfristige primäre Interesse des Unternehmens darin liege, der Ärzteschaft auf der ganzen Welt über die Möglichkeiten dieser Softwareart zu berichten. Sie könnte sich auch in Bereichen wie der Augenheilkunde als nützlich erweisen, die sich auf Bilder von den internen Mechanismen des Auges stützt.
Bei all ihren Fähigkeiten können Deep-Learning-Algorithmen das Wissen von menschlichem medizinischem Personal nicht vollständig ersetzen, sagte Vandenhirtz. Sie sind jedoch wie das Stethoskop oder die Blutdruckmanschette ein nützliches Mittel, um dem Gesundheitspersonal zu helfen, seine Arbeit auf hohem Niveau durchzuführen.
„Wir glauben nicht, dass KI, zumindest auf kurze Sicht, in der Lage sein wird, eine Diagnose zu stellen“, stellte er abschließend fest. „VisionPro Deep Learning kann Empfehlungen abgeben, aber letzten Endes muss der Radiologe entscheiden, was das Bild bedeutet.“
Hier gelangen Sie zum Artikel der Fachzeitschrift SN Computer Science: „Identification of images of COVID-19 from Chest X-rays using Deep Learning: Comparing COGNEX VisionPro Deep Learning 1.0™ Software with Open-Source Convolutional Neural Networks.
1Bibliographische Angabe zum Springer-Artikel: Sarkar, A., Vandenhirtz, J., Nagy, J. et al. Identification of Images of COVID-19 from Chest X-rays Using Deep Learning: Comparing COGNEX VisionPro Deep Learning 1.0™ Software with OpenSource Convolutional Neural Networks. SN COMPUT. SCI. 2, 130 (2021). https://doi.org/10.1007/s42979-021-00496-w
