Ensemble-Learning: Mit mehreren KI-Models erreichen wir höhere Sensitivität in der Vorhersage

05.07.2021 “Bitte in Kabine 2! Ziehen Sie alles aus, das Metall enthält und warten Sie, bis Sie aufgerufen werden.“ Ein Satz, der so oder ähnlich hunderte Male am Tag in der Radiologie gesagt wird. Beim nächsten Mal haben wir uns vielleicht wieder daran erinnert, dass Metall und MRT nicht zusammenpassen. Wenn wir es beim übernächsten Mal schon automatisch beachten, fühlen wir uns wie ein Profi – wir haben gelernt. Genauso lernen auch die KI-Models von FUSE-AI, die für die Prostate.carcinoma.ai Software trainiert werden. Allerdings viel schneller, viel tiefer und dazu in Gruppen.

Unsere Ansprüche an Prostate.carcinoma.ai sind hoch. Die Software soll die Prostata erkennen und vermessen, sie in verschiedene Zonen segmentieren und auffällige Bereiche markieren, die auf eine Läsion hinweisen können. Dafür trainieren unsere neuronalen Netze Tag und Nacht mit Deep Learning Methoden. Unmarkierte MRT-Bilder, annotierte MRT-Bilder und zahllose Metadaten durchlaufen verschiedene Algorithmen, wobei Models aus Vorhersagevariablen (Prädiktoren) generiert werden. Diese Models treffen dann eine Entscheidung, die im besten Fall mit den Befunden aus der Radiologie übereinstimmen. Eine große Menge an Trainingsdaten sind neben einem leistungsfähigen KI-Model die Grundvoraussetzung für eine hohe Erkennungsrate und einer niedrigen Falsch-Positiv-Rate.

Bessere Ergebnisse durch Zusammenführung mehrerer KI-Models zu einem Ensemble 

An diesem Punkt stellt sich zusätzlich die Frage, ob die Vorhersage von nur einem trainierten Model für die Befundung der MRT-Bilder ausreichend ist oder ob ein Ensemble (Zusammenführung der besten Models) das bessere Ergebnis liefert. Für eine bestmögliche Bildanalyse setzen wir bei FUSE-AI auf das „Expertengremium“. Dafür nehmen wir unsere Models, die die genauesten Ergebnisse liefern und fassen sie zu Ensembles zusammen. Übertragen heißt das, dass für unsere Software ein Expertengremium am runden Tisch sitzt und gemeinsam das MRT-Bild der Prostata befundet und mit weiteren Metadaten abgleicht.

Wir setzen Ensemble-Learning bereits erfolgreich bei der Segmentierung ein und fangen so Schwächen einzelner Algorithmen ab. Die Sensitivität unseres Ensembles liegt aktuell bei 89,7 % und ist somit etwas höher als ein Single-Model.