Nano Banana
Kurzfassung
▾
Quellen
▾
Google Research hat ein neues KI-Modell für das Brustkrebs-Screening vorgestellt, das Radiologen bei der Analyse von Mammografien unterstützt.
Die Software integriert sich direkt in den Workflow der doppelten Befundung und agiert als digitaler Zweitgutachter.
Laut der in Nature veröffentlichten Studie erhöht das System die Genauigkeit der Tumorerkennung und reduziert gleichzeitig die Rate der Fehlalarme.
Krankenhäuser können durch die Technologie den akuten Personalmangel in der Radiologie abfedern und zeitintensive Routineaufgaben beschleunigen.
Google Research – Improving breast cancer screening workflows with machine learning
Nature – Studie zu KI in der Mammografie-Diagnostik (Teil 1)
Nature – Studie zu KI in der Mammografie-Diagnostik (Teil 2)
Google Research bringt ein neues Machine-Learning-Modell für die Brustkrebs-Diagnostik in die Kliniken. Die Software analysiert Mammografien im Hintergrund, entlastet Radiologen bei der zeitintensiven Doppelbefundung messbar und erhöht gleichzeitig die absolute Erkennungsrate von Tumoren. KI als digitaler Zweitgutachter Kliniken werten Mammografien in der Regel nach dem Vier-Augen-Prinzip aus. Zwei Ärzte betrachten unabhängig voneinander dieselben Röntgenbilder. Dieser etablierte Prozess bietet eine hohe diagnostische Sicherheit, bindet jedoch enorm viel Zeit und Fachpersonal. Aktuell fehlt vielen Gesundheitssystemen genau dieses Personal. Das britische NHS meldet beispielsweise einen Mangel an Radiologen von knapp 30 Prozent. Eine interne Prognose geht sogar von einem Fehlbestand von 40 Prozent bis zum Jahr 2028 aus. Das neue System von Google adressiert dieses Problem direkt und integriert sich in den bestehenden Workflow der Krankenhäuser. Die KI agiert dabei als eigenständiger zweiter Leser. Sie verarbeitet die eingehenden Scans und gleicht die Bilddaten mit über 125.000 Referenzfällen aus dem Training ab. Eine aktuelle Auswertung zeigt das enorme Einsparpotenzial in der Praxis. Die Software kann den Arbeitsaufwand für das medizinische Personal bei der Begutachtung um bis zu 40 Prozent reduzieren. Ärzte gewinnen dadurch wertvolle Zeit für die direkte Patientenversorgung. + Quelle: Google Höhere Präzision im klinischen Benchmark Die Entwickler haben die Leistungsfähigkeit der Software in einer umfassenden Studie überprüft. Die Ergebnisse erschienen im renommierten Fachmagazin Nature. Der Benchmark zeigt deutliche Verbesserungen gegenüber bisherigen Diagnose-Anwendungen im realen Klinikalltag. Das Machine-Learning-Modell übersieht weniger bösartige Gewebeveränderungen und senkt gleichzeitig die Rate der falschen Alarme. Die Technologie erkennt insbesondere sogenannte Intervallkarzinome deutlich zuverlässiger. Diese oft aggressiven Tumore fallen normalerweise erst zwischen zwei regulären Vorsorgeuntersuchungen auf. + Quelle: Google Das System arbeitet als reines Assistenzprogramm. Die finale medizinische Entscheidung trifft weiterhin ein menschlicher Experte. Die Technologie filtert offensichtliche Routinefälle heraus, lenkt den Fokus auf komplexe Befunde und beschleunigt so den gesamten Diagnoseprozess nachhaltig. Anzeige