Automatische Diagnose von Thorax-Röntgenbildern mit Hilfe von Faltungsnetzwerken

Abstract

Studien in Deutschland haben gezeigt, dass über 10 % aller Diagnosen, die von Ärzten in Kliniken und Praxen gestellt werden falsch sind [Jörg Blech, 2011]. Fehldiagnosen können auf menschliche Fehlern beruhen und solange Menschen Entscheidung treffen müssen, wird sich die Zahl der Fehldiagnosen nicht verringern. Ziel dieser Thesis ist es, ein Convolutional Neural Layer (CNN) aufzubauen, der die Fehldiagnosen verringern soll. Dazu wird folgende Forschungsfrage gestellt: Sind CNN aus Deep Learning, in der Lage, Fehldiagnosen die Radiologen anhand von Thorax-Röntgenbildern stellen, zu verringern? Dabei soll ebenfalls geprüft werden, inwiefern ein solches CNN sich als Screening- Programm eignet. Um die Forschungsfrage zu beantworten, wird nach jedem Testverfahren eine Konfusionsmatrix dargestellt, die die Röntgenbilder in Klassen von richtig negativ bis falsch negativ unterteilt. Die Konfusionsmatrix hat gezeigt, dass die aufgebauten CNN eine höhere Fehldiagnose und dementsprechend eine schlechtere Accuracy (wie oft das CNN die Bilder pro Epoche prozentual richtig prognostiziert hat) vorweisen als Radiologen. Dieses Resultat zeigt eine Diskrepanz zu anderen bekannten Studien. Auf dieser Grundlage ist darauf hinzuweisen, dass eine homogene Verteilung der Daten essenziell ist und die Accuracy und Fehldiagnosen des CNNs somit beeinflusst werden kann. Daher soll in weiteren Forschungen darauf geachtet werden, dass die gesamte Datensammlung einheitlich ist und eine gleichmäßige Verteilung an positiven sowie negativen Befunden darstellt.