Erfahren Sie mehr über das Anwendungsbeispiel:
HS Analysis GmbH
Computer Vision, KI-gestützte Diagnostik
11.10.2021
KI-gestützte Untersuchung und Auswertung von Zebrafischherzen
Was gab den Ausschlag für die Entwicklung eines KI basierten Anwendungsfalls?
Automatisch berechnete grundlegende kardiale Metriken könnten eine Rolle als schnell verfügbare und genaue Eingangsdaten für Experimente zu Herzkrankheiten und Entwicklung neuer Medikamente spielen.
Gegenwärtig sind Softwareprodukte zur automatischen Herzanalyse am Markt unterrepräsentiert. Hinzu kommt die unzureichende Fähigkeit des Menschen, komplexe Videodaten quantitativ zu analysieren. Im Vergleich zu den Menschen können Deep Learning-Ansätze Bilder oder Videodateien genauer und mit einer Geschwindigkeit von bis zu Echtzeit analysieren.
Welche Erwartungen bzw. Anforderungen hatten Sie an die KI-Anwendung?
Der Deep Learning Algorithmus musste den Körper der Zebrafische und sein Inneres (Vorhof- und Ventrikelteile) pixelgenau erkennen. Das ist der Grundstein für die präzise Untersuchung des Herz-Kreislauf-Systems eines Zebrafisches. Anschließend berechnet das Programm Herzparameter wie Herzrhythmus, Herzfrequenz und fraktionelle Verkürzung.
Auf welchen Partner waren Sie mit welcher Technologie bei der Entwicklung angewiesen?
Die Software zur Analyse der Zebrafische wurde von der HS Analysis GmbH entwickelt. Bei der Bereitstellung der Daten waren das Karlsruher Institut für Technologie und einige Unikliniken als strategische Partner aktiv tätig.
Mit dem Einsatz von KI-Lösungen muss auch ein Wandel der Kompetenzen einhergehen. Wie sind Sie mit dieser Herausforderung in Bezug auf ihre Mitarbeitenden umgegangen?
Die KI-Lösungen wurden von den HS Analysis Spezialisten basierend auf den Expertise und praktischen Erfahrungen entwickkelt, die in den vorherigen Projekten gesammelt wurden.
Zum ersten Schritt mussten die Mitarbeiter eine große Anzahl der Daten (Videosequenzen) manuell annotieren. Das ist die Basis für den erfolgreichen Einsatz der neuronalen Netzen.
Weiter haben die HS Analysis Experten eine große Anzahl von Techniken getestet und ausprobiert, bevor sie eine geeignete Architektur der neuronalen Netzen entwickelt haben, die ausreichend hohe Ergebnisse liefert.
In welchem Zeitraum haben sie die KI-Lösung in Ihrem Unternehmen implementiert?
Die KI-Lösung wurde im Laufe eines halben Jahres implementiert
Ein Fazit zu Ihrer KI-Lösung:
Die HS Analysis GmbH und ihre Expertise in den IT-Technologien leisten einen großen Beitrag beim Kampf gegen den Herzinfarkt und der Bestimmung seiner pathologischen Ursachen.
Die HS Analysis Experten unterstützen die Forscher*innen mit ihrer selbst entwickelten Software HSA KIT, die über eine umfassende Reihe von Werkzeugen für eine erfolgreiche Analyse der Zebrafischdaten verfügt.
Die Benutzer*innen importieren die Videos in die Software, die dann in Videosequenzen umgewandelt werden. Die Region of Interest (ROI) kann manuell für Videobilder bestimmt werden. Auf dieser Grundlage können Anmerkungen innerhalb der ROI gesetzt werden.
Das Programm verfügt über den Deep Learning Algorithmus, der automatisch Videos des Zebrafischherzens segmentiert, Vorhof- und Ventrikelteile erkennt.
Darüber hinaus stellt HS Analysis den Nutzer*innen die technischen Lösungen bereit, das Herz-Kreislauf-System eines Zebrafisches zu untersuchen. Das Programm berechnet Herzparameter wie Herzrhythmus, Herzfrequenz und fraktionelle Verkürzung.
Solche kardialen Metriken spielen eine Schlüsselrolle bei der Bestimmung der pathologischen Ursachen von Herzinfarkten der Menschen. Aus diesem Grund ist es von großer Bedeutung, die Arbeit der Patholog*innen bei der Untersuchung und Auswertung von Videosequenzen von gesunden und mutierten Zebrafischen zu digitalisieren und zu automatisieren.
Einen abschließenden Rat/Tipp an andere Unternehmer, die KI anwenden wollen:
Für einen erfolgreichen Einsatz der KI empfehlt HS Analysis einen ausreichend großen Datensatz zu besorgen, der aus abwechslungsreichen Daten (Bilder oder Videos) besteht.
Man muss eine Anzahl von unterschiedlichen Deep Learning Architekturen ausprobieren, Ergebnisse miteinander vergleichen und sie evaluieren, bevor eine passende Lösung gefunden wird.