Die pränatale MRT ist eines der wertvollsten Diagnosetools der Medizin und gleichzeitig eines der frustrierendsten. Wenn ein herkömmlicher Ultraschall eine mögliche Gehirnabnormität bei einem sich entwickelnden Fötus anzeigt, ist ein MRT der logische nächste Schritt. Das Problem ist, dass Fötusbewegungen vorkommen. Genau in diesem Moment bricht der Scan zusammen.
Ein Forschungsteam des MIT, des Boston Children’s Hospital und von Inria hat ein Deep-Learning-Model namens E(3)-Pose entwickelt, das dieses Problem direkt angeht. Es tut dies nicht, indem es die MRT abstrakt schneller oder günstiger macht, sondern indem es einen spezifischen, konkreten Fehlerzustand löst, der die Diagnosegenauigkeit in der fötalen Bildgebung seit Langem untergräbt.
Die Physik eines sich bewegenden Ziels
Um zu verstehen, warum die fötale MRT so schwierig ist, hilft es zu verstehen, wie die Bildgebung funktioniert. Ein MRT des fötalen Gehirns ist kein einzelnes Foto. Es ist ein Stapel zweidimensionaler Bildschichten, die zusammengelegt ein dreidimensionales volumetrisches Bild des Gehirns bilden. Die Qualität dieses Bildes hängt vollständig davon ab, dass jede Schicht aus einem konsistenten, vorhersehbaren Winkel aufgenommen wird.
Wenn sich der Fötus bewegt, bricht diese Konsistenz zusammen. Jede Schicht wird möglicherweise aus einer anderen Ausrichtung aufgenommen, was zu Lücken in der Abdeckung und falsch ausgerichteten Winkeln im finalen Bild führt. Wie die Erstautorin Ramya Muthukrishnan, eine PhD-Studentin am MIT, es erklärt: Die Schichten landen schließlich kreuz und quer. Der Radiologe, der den Scan überprüft, arbeitet dann mit einem im wahrsten Sinne des Wortes unvollständigen Bild. Feine strukturelle Details, die auf eine abnormale Gehirnentwicklung hinweisen würden, werden unsichtbar oder unklar. Die Folge sind übersehene und falsche Diagnosen.
Genau das verschweigt die meiste Berichterstattung über KI in der Medizin. Die Herausforderung besteht nicht darin, dass KI in einem allgemeinen Sinne schlauer sein muss. Es geht darum, dass ein sehr spezifisches physikalisches Problem, nämlich die Bewegung des Fötus während der Bildaufnahme, die Diagnosezuverlässigkeit seit Jahren verschlechtert. Die Lösung erfordert das Verständnis der Physik dieses Problems, und nicht nur das Trainieren eines Models mit großen Datensätzen.
Symmetrie als Designentscheidung
Was E(3)-Pose von einem herkömmlichen Deep-Learning-Ansatz unterscheidet, ist der Ort, an dem die Physik im Model verankert ist. Anstatt das Model mit Daten zu füttern und zu hoffen, dass es physikalische Prinzipien von selbst lernt, haben die Forscher diese Prinzipien direkt in die Architektur des neuronalen Netzwerks eingebettet. Genauer gesagt ist die Links-rechts-Symmetrie des fötalen Kopfes in die Struktur des Models integriert. Dies macht es dem System erheblich leichter, die Ausrichtung des Gehirns präzise zu bestimmen, selbst wenn sich der Fötus in Bewegung befindet.
Diese Designphilosophie, bei der bekannte physikalische Einschränkungen in das Model kodiert werden, anstatt sie aus Daten abzuleiten, ist das, was Muthukriansans Betreuerin, Professorin Polina Golland, als die Kombination von geometrischen Konzepten wie Äquivarianz und Symmetrie mit der Leistung von Deep Learning beschreibt. Das Ergebnis ist ein Model, das die Position des fötalen Kopfes zuverlässiger verfolgt, da es Symmetrie nicht anhand von Beispielen errät. Es kennt sie bereits.
Der Entwicklungsprozess verlief nicht geradlinig. Muthukrishnan kam mit einem Hintergrund in Informatik in das Projekt, nicht in MRT-Physik. Die Implementierung des Models auf tatsächlicher Scanner-Hardware, im Gegensatz zum Ausführen auf Daten in einer Computerumgebung, erwies sich als eine völlig andere Herausforderung. Sie ließ den Scanner beim Testen wiederholt abstürzen. Der Co-Autor Borjan Gagoski, Assistenzprofessor für Radiologie an der Harvard Medical School und Forscher am Boston Children’s Hospital, half bei der Fehlerbehebung und entwickelte zusätzliche MRT-Aufnahmesequenzen, um das Training des Models zu unterstützen. Die Forschungsassistentin Aryn Lee am Boston Children’s rekrutierte die schwangeren Freiwilligen und leitete die Scan-Erfassung.
Die klinische Motivation hinter der Arbeit ist direkt. Muthukrishnan erinnert sich daran, wie sie zu Beginn ihres PhD-Studiums eine fötale MRT-Sitzung am Boston Children’s Hospital beobachtete. Eine schwangere Patientin verbrachte eine Stunde im Scanner, nur um den Scan auf halbem Weg aufgrund von Unbehagen abzubrechen, wodurch der Radiologe ohne ein brauchbares Bild dastand. Diese Erfahrung hat, wie sie sagte, dazu beigetragen, die Richtung ihrer Forschung zu definieren. Die Frustration war spürbar, und die Kluft zwischen dem, was die Technologie theoretisch leisten konnte, und dem, was sie in der Praxis tatsächlich lieferte, war offensichtlich.
Warum das über die Klinik hinaus wichtig ist
Die Implikationen von E(3)-Pose erstrecken sich in zwei Richtungen. Die erste ist klinisch und unmittelbar. Ellen Grant, die das Fetal Neonatal Neuroimaging and Developmental Science Center am Boston Children’s Hospital leitet, hat angemerkt, dass die Arbeit die fötale Gehirn-MRT automatisieren könnte. Sie ersetzt einen langsamen und manuellen Prozess durch schnellere, komfortablere Scans und qualitativ hochwertigere Bilder für Radiologen. Das aktuelle Model ist primär auf Föten im dritten Trimester trainiert. Muthukriansans erklärtes nächstes Ziel ist es, es auf die Bildgebung des zweiten Trimesters auszudehnen, wo der Einsatz höher ist. Jüngere Föten bewegen sich mehr, sind kleiner und schwerer abzubilden, aber eine frühere Erkennung von Gehirnabnormitäten schafft mehr Interventionsoptionen.
Die zweite Richtung ist breiter gefächert. Derselbe architektonische Ansatz, nämlich physik-informierte neuronale Netzwerke, die bekannte geometrische Einschränkungen kodieren, hat potenzielle Anwendungen in der Bildgebung anderer schwieriger Anatomien und in Bereichen wie dem autonomen Fahren, wo Sensoren dreidimensionale Objekte durch verrauschte, unvollständige Daten verfolgen müssen.
Dies ist das Signal, das dies über die KI-Entwicklung im Allgemeinen sendet: Die langlebigsten Fortschritte stammen oft nicht davon, Modelle größer zu machen, sondern Domänenwissen in ihre Grundlagen einzubauen. Ein Model, das Symmetrie versteht, weil Symmetrie Teil seiner Struktur ist, übertrifft eines, das sie aus Beispielen lernen muss. Dies gilt insbesondere dann, wenn Beispiele begrenzt sind, was in der spezialisierten medizinischen Bildgebung unweigerlich der Fall ist.
Kurz gefasst
E(3)-Pose ist ein Deep-Learning-Model, das entwickelt wurde, um die Bewegung des fötalen Kopfes während MRT-Scans zu verfolgen, und das klarere, vollständiger Bilder des sich entwickelnden Gehirns ermöglicht. Seine Hauptinnovation ist architektonischer Natur: Physikalische Prinzipien, insbesondere die Links-rechts-Symmetrie des fötalen Kopfes, sind direkt in das Model eingebettet, anstatt aus Daten gelernt zu werden. Das System wurde von Forschern des MIT, des Boston Children’s Hospital und von Inria entwickelt und adressiert ein konkretes Diagnoseproblem, das seit Langem zu übersehenen und falschen pränatalen Diagnosen geführt hat. Die breitere Lektion lautet, dass das Kodieren dessen, was bereits über die physische Welt bekannt ist, in KI-Systeme zu zuverlässigeren Tools führen kann als das Training allein.
Basierend auf Berichten von MIT News AI.