Am Mittwoch, den 20. November, auf der Medica 2019 wies Alexander auf bestehende Probleme mit CT- und Röntgenaufnahmen hin. Zu den Problemen gehören: die Strahlenbelastung, die hohen Kosten, die mangelnde Bildqualität bei CT, der Mangel an räumlichen Daten bei Röntgenbildern und der Mangel an CT-Bildgebung rund um den Globus. Eine von Alexander Khmil erfundene Methode ermöglicht es, mehrere Röntgenbilder zu nutzen, um ähnliche Diagnoseergebnisse wie bei der CT zu erhalten.
Die Methode kombiniert Röntgen-Stereofotogrammetrie und konventionelle Photogrammetrie mit fortschrittlicher Mathematik. Diese Mathematik macht es möglich, das gesamte Volumen eines Körperteils aus Röntgenbildern zu rekonstruieren, die aus verschiedenen Winkeln aufgenommen wurden. Um zu verdeutlichen, wie das funktioniert, verwendet Khmil das Beispiel einer bekannten Denksportaufgabe. Vielleicht kennen Sie Nonogramme (auch als japanische Puzzles bekannt), die zwei Sätze von Zahlen haben, die Zeilen und Spalten entsprechen und als Schlüssel zur Lösung des Rätsels dienen (Bild 1).
In Khmils Verfahren wird ein ähnlicher Ansatz verwendet, um jede Schicht des Volumens zu konstruieren, und die Schichten werden dann so kombiniert, dass sie herkömmlichen CT-Scandaten ähneln (Bild 2). Allerdings reichen die Daten nicht aus, um jede einzelne Schicht mit 100-prozentiger Genauigkeit zu konstruieren, was eine endgültige Rekonstruktion ausschließt.
Ein ML-gestützter Algorithmus kann jedoch helfen, das Problem zu lösen. Wenn wir nur zwei Bilder von einem Objekt haben, ist ein sehr schmaler Bereich auf beiden Fotos sichtbar und wir können ihn rekonstruieren. Der Rest des Bereichs ist nur auf einem Foto oder gar nicht sichtbar. Da wir aber wissen, dass es sich bei dem Objekt um eine Birne handelt, ist uns auch die Form bekannt. Wenn wir der KI viele 3D-Modelle einer Birne geben, wird sie lernen und in der Lage sein, die fehlenden Teile einer gegebenen Birne mit einem gewissen Grad an Sicherheit vorherzusagen (Bild 3).
Khmil möchte diese Methode auf einen menschlichen Körper anwenden und Oberflächen rekonstruieren, die auf einem Röntgenbild nicht sichtbar sind.
Wenn wir diese Methode anwenden, ist das, was wir erhalten, kein klares und eindeutiges 3D-Modell eines bestimmten Objekts. Es ist sein probabilistisches volumetrisches Modell. Das Modell kann mit einer grafischen Darstellung von Atomorbitalen verglichen werden, die die Wahrscheinlichkeit des Auftretens eines Elektrons im Raum um den Atomkern zeigt. Dichtere Bereiche haben eine höhere Wahrscheinlichkeit und weniger dichte eine geringere (Bild 4). Das gleiche Prinzip wird verwendet, um die Oberfläche eines Knochens zu rekonstruieren (Bild 5).
Der Algorithmus versucht, eine bekannte Form des Knochens in die unvollständigen Daten einzupassen, die von zwei Projektionen empfangen werden. Um sicherzustellen, dass wir ein korrektes Oberflächenmodell des Knochens erstellen, können wir eine virtuelle Röntgenaufnahme des Modells durchführen und diese mit den ursprünglichen Röntgenbildern vergleichen. Durch die Erweiterung dieser Methode ist es möglich, nicht nur Knochenoberflächen, sondern ganze Volumina von Hart- und Weichgewebe in einem menschlichen Körper zu erstellen.
Anschließend erläuterte Khmil die möglichen Vorteile der Verwendung von Stereogrammetrie zur Erstellung eines probabilistischen volumetrischen Modells:
- Die Verwendung von Röntgenstrahlen anstelle von CT wird die Kosten senken, so dass mehr Menschen Zugang zu fortschrittlicher medizinischer Bildgebung haben
- Die Strahlenbelastung könnte deutlich gesenkt werden
- Die Methode könnte auch eine bessere Genauigkeit liefern, wenn die Klarheit von CT- und Röntgenbildern verglichen wird.
Er sprach auch eine Reihe von Einschränkungen an, da sich die Methode noch in einem sehr frühen Stadium der Entwicklung befindet.
Für das maschinelle Lernen ist es immer notwendig, eine signifikante Menge an Lerndaten zu haben, und eine Herausforderung ist es, einen Mangel an Daten zu überwinden. Da es sich um eine völlig neue Art der medizinischen Bildgebung handelt, könnte die medizinische Community skeptisch sein und es könnte mehrere Jahrzehnte dauern, bis die Bildgebung vollständig akzeptiert wird. Es könnte auch problematisch sein, KI-basierte medizinische Geräte zu zertifizieren, da wir weder vollständig erklären können, wie neuronale Netzwerke endgültige Bilder erhalten, noch beweisen können, dass die Bilder korrekt sind, da das verwendete Modell probabilistisch ist. Dies führt zu dem potenziellen Problem, die Qualität und Effektivität der Endergebnisse zu messen.
Trotz aller Schwierigkeiten und Risiken ist Khmil sehr positiv gegenüber der Methode eingestellt, da sie ein großes Potenzial hat, das nächste mächtige Entscheidungswerkzeug im Arsenal eines Arztes zu werden.
