Im Zeitalter der sozialen Medien dienen Plattformen wie X (früher Twitter) oft als Knotenpunkte für verschiedene Gemeinschaften, die jeweils ihre eigenen Interessen und Diskussionen haben. Jenseits von Glanz und Glamour und Trending Hashtags gibt es eine dynamische Welt, die als “Medical Twitter” bekannt ist. Hier hat eine lebendige Untergemeinschaft von Fachleuten des Gesundheitswesens, insbesondere Pathologen, im Stillen das Feld der Computer-Pathologie revolutioniert, indem sie sich das Potenzial anonymisierter Pathologie-Bilder und aufschlussreicher Kommentare zunutze gemacht hat. Derzeit versuchen Forscher/innen der Stanford University, das Beste aus dieser digitalen Fundgrube für die Entwicklung ihrer medizinischen künstlichen Intelligenz (KI) herauszuholen.
INSIGHT: Researchers at Stanford trained an AI algorithm using data from medical X/Twitter.
— X News Daily (@xDaily) August 29, 2023
It’s an interesting preview of the many applications @xAI could find for this dataset in future.https://t.co/D9YxCRAqx1 pic.twitter.com/9b4YWc01Wk
Eine verborgene Schatztruhe: Die diagnostische Goldmine von Medical Twitter
In einem bahnbrechenden Projekt haben die Forscher der Human-Centered Artificial Intelligence (HAI) der Stanford University den Reichtum von Medical Twitter angezapft. Inmitten der Posts von faszinierenden medizinischen Bildern und diagnostischen Herausforderungen stießen sie auf einen Schatz von über 200.000 anonymisierten diagnostischen Bildern, die jeweils von Experten kommentiert wurden.
Dieser bemerkenswerte Datensatz bildete den Grundstein für die Entwicklung eines leistungsstarken KI-Modells, das in der Lage ist, medizinische Erkrankungen anhand von bisher ungesehenen Bildern zu analysieren und zu diagnostizieren.
Das Datendilemma in der diagnostischen KI angehen
Die Entwicklung von diagnostischen KI-Systemen hatte schon immer mit einer großen Herausforderung zu kämpfen – dem Mangel an großen, kommentierten Daten. Dieser Mangel hat den Fortschritt in der computergestützten Pathologie behindert, einem vielversprechenden Bereich.
Medical Twitter hat jedoch eine unerwartete Lösung für dieses Dilemma gefunden. James Zou, Professor für biomedizinische Datenwissenschaft in Stanford, stellt fest, dass die Plattform eine wertvolle Ressource für die Entwicklung medizinischer KI darstellt.
Die symbiotische Beziehung zwischen Pathologen und sozialen Medien
Interessanterweise ist das Konzept der computergestützten Pathologie im Vergleich zu anderen KI-Bereichen zurückgeblieben, weil es nur wenige gut kommentierte Bilddaten gibt. Tausende von bekannten Krankheiten, die es zu klassifizieren galt, und eine Fülle von potenziell wertvollen Bildern, die in privaten Krankenhausdatenbanken gespeichert waren, behinderten den Fortschritt. Doch die Synergie zwischen Pathologen und sozialen Medien hat eine neue Ära eingeläutet.
Auf Medical Twitter posteten Pathologen routinemäßig schwierige Bilder und baten ihre Kollegen auf der ganzen Welt um Rat. Ein neuer Fall oder ein verwirrendes Szenario veranlasste einen Pathologen dazu, ein Bild zu teilen und Fragen an die Community zu stellen.
Fachkundige Kolleginnen und Kollegen aus verschiedenen Teilen der Welt antworteten mit schriftlichen Analysen. Diese Zusammenarbeit zwischen Text und Bild ist zu einer unschätzbaren Ressource in diesem revolutionären Projekt geworden.
OpenPath erstellen: Ein bahnbrechender Datensatz
Angetrieben von ihrer Vision machten sich Zhi Huang und Federico Bianchi, Postdocs in Stanford, auf den Weg, um diesen Schatz von Medical Twitter zu kuratieren und zu anonymisieren. Ihre Bemühungen führten zur Geburt von “OpenPath”, einem riesigen öffentlichen Pathologiedatensatz, der mit natürlichsprachlichen Beschreibungen angereichert ist. Mit über 243.000 diagnostischen Bildern und den dazugehörigen Kommentaren ist dieser Datensatz eine wahre Goldgrube an Informationen.
Außerdem nutzte das Team diese Ressource, um PLIP zu trainieren, eine fortschrittliche KI, die sowohl Bilder als auch Texte verstehen kann. Die Verschmelzung von Text und Bildern hat sich als bahnbrechend erwiesen.
Mit PLIP können Forscherinnen und Forscher anhand von Textbeschreibungen oder visuellen Daten nach ähnlichen Fällen suchen und so einen noch nie dagewesenen Wissensaustausch innerhalb der globalen Pathologiegemeinschaft ermöglichen.
Die Zukunft des medizinischen Wissensaustauschs
Während Twitter Veränderungen erfährt, die sich möglicherweise auf die Methoden der Forscher/innen zur Datenerfassung auswirken, geht die eigentliche Offenbarung hier über die Plattform selbst hinaus. Das Wesentliche liegt in der Demokratisierung des medizinischen Wissensaustauschs durch soziale Medien.
Die Stanford-Forscher glauben, dass dieser innovative Ansatz die Erforschung verschiedener Datenquellen anregen kann, um die medizinische KI zu verbessern.
Fazit
Medical Twitter hat sich als unerforschtes Terrain für die Weiterentwicklung der diagnostischen KI im Bereich der Computerpathologie erwiesen. Durch Zusammenarbeit, Ressourcenkuratierung und KI-Training hat diese dynamische Community das Potenzial für einen noch nie dagewesenen medizinischen Wissensaustausch freigesetzt.
Die Lektion, die wir für die Zukunft gelernt haben, ist, dass kreatives Denken neue und aufregende Wege zur Verbesserung der medizinischen KI eröffnen kann, die über die Grenzen der traditionellen Datenquellen hinausgehen.
Giancarlo ist von Beruf Wirtschaftswissenschaftler und Forscher. Bevor er dem dynamischen Team von Blockzeit beitrat, betreute er als Projektmanager eines Beratungsunternehmens mehrere Krypto-Projekte sowohl für den staatlichen als auch den privaten Sektor.
