Neue Schlaganfallversorgung mit KI – maschinelle Bildverarbeitung für die Mayo Clinic

Auswirkungen von Schlaganfällen mit KI-Innovationen bekämpfen

Die Mayo Clinic ist eine der renommiertesten Gesundheitseinrichtungen in den USA und führend bei der Einführung innovativer Technologien. Diese Fallstudie untersucht den Beitrag und den Erfolg unseres Teams beim F&E-Projekt Kaggle, das sich auf die Unterstützung von Ärzten bei der Behandlung von Schlaganfällen konzentrierte. Das Konzept bestand darin, im Rahmen eines von der Mayo Clinic ausgeschriebenen Forschungswettbewerbs eine auf maschineller Bildverarbeitung basierende Lösung zur Klassifizierung der Ätiologie zu entwickeln, um die Ursache des Schlaganfalls schnell zu identifizieren.

Die Herausforderung verstehen: Präzise Klassifikation zur effektiven Schlaganfallbehandlung

Das Projekt hatte zum Ziel, eine klare Unterscheidung zwischen den beiden Hauptursachen für einen akuten ischämischen Schlaganfall – der Atherosklerose des Herzens und der Atherosklerose der großen Arterien – zu schaffen. Dies ist von entscheidender Bedeutung für die Festlegung geeigneter Behandlungspläne. Die Mayo Clinic plante, ein zuverlässiges Instrument zu entwickeln, das Ärzte dabei unterstützt, die Ursachen von Blutgerinnseln genau zu klassifizieren, um die Schlaganfallbehandlung zu optimieren.

Einsatz von Deep Learning: Aufbau eines state-of-the-art Modells

Dank unserer Expertise in den Bereichen KI, maschinelles Lernen und Computer Vision konnten wir ein Modell auf Basis von Deep Learning entwickeln, das die Ätiologie von ischämischen Schlaganfällen anhand von Bildern aus der Histopathologie klassifizieren kann.

Modellentwicklung: Schwerpunkt auf computergestützten Lösungen

Ziel erreicht: Optimierte Bildverarbeitung
Unser Team hat sorgfältig die am besten geeignete neuronale Netzwerkarchitektur für die Analyse histopathologischer Bilder ausgewählt. Für die Verarbeitung großer Bilder wurden intelligente Techniken eingesetzt, um einfarbige Hintergründe zu entfernen und das verbleibende Gewebe effizient zu analysieren.

Fortschreitende Analyse: Verfeinerung der Bildklassifikation

Ziel erreicht: Verbesserung der Genauigkeit
Durch die kontinuierliche Optimierung der neuronalen Netzwerkmodelle konnte die Genauigkeit bei der Klassifizierung des Ursprungs von Blutgerinnseln bei ischämischen Schlaganfällen verbessert werden. Iterative Anpassungen wurden vorgenommen, um die Leistung der Modelle zu optimieren und genaue Klassifizierungsergebnisse zu erzielen.

Integrationsphase: Test und Abstimmung der Komponenten

Ziel erreicht: Reibungslose Integration 
In einer umfangreichen Integrationsphase wurden verschiedene Komponenten getestet und aufeinander abgestimmt. Um die Verarbeitung großer pathologischer Bilder zu erleichtern, wurden effiziente Verarbeitungsprogramme entwickelt. Diese Programme enthielten Skripte zur Bildzerlegung und das neuronale Netz wurde mit vorverarbeiteten Bildern geringerer Auflösung trainiert. Ein Inferenz-Skript wurde entwickelt, um das trainierte Modell in die Lage zu versetzen, Vorhersagen für neue, noch nicht gesehene Bilder zu treffen.

Repository für verarbeitete Daten: Experimente ermöglichen

Ziel erreicht: barrierefreies Experimentieren
Zur Unterstützung der laufenden Experimente wurden die verarbeiteten Bilder in einem speziellen Repository gespeichert. Diese Bilder dienten als Grundlage für das Training und die Validierung während des Entwicklungsprozesses. Das neuronale Netz wurde iterativ trainiert und evaluiert, wobei ein Inferenzskript zur Messung der Effizienz bei neuen Bildern verwendet wurde.

Ergebnis: Bessere Schlaganfallversorgung mit KI durch exakte Klassifikation

Die Zusammenarbeit zwischen ounktum und der Mayo Clinic führte zur Entwicklung eines hochmodernen Deep-Learning-Modells, das die Herkunft von Blutgerinnseln bei ischämischen Schlaganfällen genau bestimmt. Im Kaggle-Wettbewerb erreichte die Lösung einen beeindruckenden 46. Platz unter 896 Teams und wurde mit einer Silbermedaille ausgezeichnet. Die entwickelte Lösung ist ein hervorragendes Beispiel dafür, wie Deep Tech den Weg für gezieltere und wirksamere Behandlungen ebnen kann, die die Behandlung von Schlaganfällen revolutionieren und die Ergebnisse für Patienten verbessern.

Verwendete Technologien:


Python

Drehbuch und Organisation der Versuche

Pytorch

Entwicklung und Training neuronaler Netze

HistomicsTK

This image has an empty alt attribute; its file name is HistomicsTK.svg

Prüfung und Analyse von Farben

MONAI

Intelligente Bildaufteilung und Vorverarbeitung


Schreiben Sie uns