Hautkrebsvorsorge mit dem Ganzkörperscanner im iToBoS-Projekt. Fraunhofer HHI Melanome sind für 60 Prozent aller bösartigen Tumor-Neubildungen der Haut verantwortlich. Die Häufigkeit von Melanomen hat in den letzten Jahren stark zugenommen. Sie werden oftmals zu spät erkannt, da Diagnoseverfahren zur Früherkennung arbeits- und kostenintensiv sind. Gute Heilungschancen gibt es bei Hautkrebs, wenn er frühzeitig erkannt wird.. Die bislang angewandten Methoden bei der Vorsorgeuntersuchung sind häufig jedoch nicht nur fehleranfällig, sondern auch sehr zeitaufwändig: Ein Arzt untersucht meist mit einem Dermatoskop die gesamte Haut. Ganzkörper-Screening in sechs Minuten Geradezu revolutionär klingt dagegen, was Fraunhofer mit Partnern jetzt verspricht: In nur sechs Minuten soll der komplette Körper automatisch untersucht werden. Für jede auffällige Veränderung an der Haut werde dann eine Risikobewertung geliefert. Dazu hat Projektpartner Bosch den iToBoS-Ganzkörperscanner entwickelt. iToBoS steht für Intelligent Total Body Scanner for Early Detection of Melanoma und bezieht sich auf ein EU-Projekt, das mit 12,1 Millionen Euro gefördert wird. Der Scanner ist das Herzstück der ebenfalls im Projekt entwickelten, cloudbasierten KI-Diagnoseplattform, in der Gesundheitsdaten aus verschiedenen Quellen wie Krankenakten, Genomdaten und In-vivo-Bildgebung zusammengeführt werden. KI-Assistenten unterstützen Der Scanner untersucht innerhalb von sechs Minuten den gesamten Körper automatisch mithilfe eines kognitiven KI-Assistenten. Dieser nutzt unter anderem KI-Modelle und XAI-Methoden des Fraunhofer HHI (Fraunhofer-Institut für Nachrichtentechnik, Heinrich-Hertz-Institut). Das medizinische Fachpersonal erhält dann für jedes einzelne Muttermal eine Risikobewertung. Die hochauflösenden Kameras des Scanners sind mit Flüssigkeitslinsen ausgestattet, die das Design des menschlichen Auges nachahmen. Basierend auf zwei nicht mischbaren Flüssigkeiten mit unterschiedlichem Brechungsindex sollen sie eine noch nie dagewesene Bildqualität erreichen. Für eine hoch personalisierte Diagnose werden die Untersuchungsaufnahmen durch Machine Learning zusammen mit sämtlichen verfügbaren Patientendaten (demographische und Angaben zu UV-Schäden, Risikogruppe etc.) in die KI-Diagnoseplattform mit einem kognitiven KI-Assistententool integriert. Erklärbare KI – XAI Das Zusammenspiel der am Fraunhofer HHI entwickelten XAI-Methoden. Fraunhofer HHI Scans können über einen längeren Zeitraum wiederholt und miteinander verglichen werden, um so die Entwicklung der Leberflecke und mögliche Veränderungen, die auf Hautkrebs hindeuten können, genau zu beobachten. Mehrere spezialisierte, im KI-Assistenten zusammengeführte KI-Algorithmen sind dafür verantwortlich, Muttermale im Zeitverlauf zu identifizieren und zu tracken. Um absolut zuverlässige Diagnosen zu erhalten, müssen die Entscheidungen der KI nachvollziehbar sein. Hierzu kommen im Projekt XAI-Methoden zum Einsatz. Die verwendeten Methoden umfassen: LRP (Layer-Wise Relevance Propagation), CRP (Concept Relevance Propagation), PCX (Prototypical Concept-based Explanations). Mit Hilfe dieser Verfahren machen die Forscher des Fraunhofer HHI die KI-Prognosen erklärbar und decken somit unsichere Problemlösungsstrategien auf. Die Methoden identifizieren und quantifizieren ein breites Spektrum erlernten Entscheidungsverhaltens und erkennen unerwünschte Entscheidungen auch in riesigen Datensätzen. Auf diese Weise beugen sie Modellfehlverhalten vor und sorgen dafür, dass die eingesetzten KI-Systeme zuverlässig und sicher sind. Fehler heraustrainieren Darüber hinaus können die Wissenschaftler des Fraunhofer HHI mit ihrer im Projekt entwickelten R2R-Methode (Reveal to Revise) eventuelle Verhaltensauffälligkeiten und -fehler aus der KI heraustrainieren, indem sie über die Informationen aus ihrer XAI die Daten besser annotieren, um das Gesamtsystem robuster und zuverlässiger zu gestalten. Endziel des Projekts ist die Entwicklung eines holistischen KI-Modells, das mithilfe multimodaler Datensätze verschiedenste Perspektiven auf die Patientinnen und Patienten einnimmt. Langfristig könnte der Ganzkörperscanner auch dafür eingesetzt werden, andere Hauterkrankungen wie Neurodermitis zu erfassen. Die Projektpartner im Überblick: BARCO NV, Canfield Scientific Inc., Coronis Computing SL, Fraunhofer HHI, Fundació Clínic per a la Recerca Biomèdica, IBM Israel – Science and Technology Ltd., Institute for Computer Science and Control (SZTAKI), Isahit SAS, Leibniz Universität Hannover, Melanoma Patient Network Europe, National Technical University of Athens, Optotune AG, Ricoh Spain IT Services SLU, Robert Bosch Española SA, Torus Actions SAS, Trilateral Research Ltd., Università degli Studi di Trieste, University of Queensland, Universitat de Girona (Koordinator), V7 Ltd.
KI erkennt Hautkrebs in 6 Minuten
Hautkrebsvorsorge mit dem Ganzkörperscanner im iToBoS-Projekt. Fraunhofer HHI Melanome sind für 60 Prozent aller bösartigen Tumor-Neubildungen der Haut verantwortlich. Die Häufigkeit von Melanomen hat in den letzten Jahren stark zugenommen. Sie werden oftmals zu spät erkannt, da Diagnoseverfahren zur Früherkennung arbeits- und kostenintensiv sind. Gute Heilungschancen gibt es bei Hautkrebs, wenn er frühzeitig erkannt wird.. Die bislang angewandten Methoden bei der Vorsorgeuntersuchung sind häufig jedoch nicht nur fehleranfällig, sondern auch sehr zeitaufwändig: Ein Arzt untersucht meist mit einem Dermatoskop die gesamte Haut. Ganzkörper-Screening in sechs Minuten Geradezu revolutionär klingt dagegen, was Fraunhofer mit Partnern jetzt verspricht: In nur sechs Minuten soll der komplette Körper automatisch untersucht werden. Für jede auffällige Veränderung an der Haut werde dann eine Risikobewertung geliefert. Dazu hat Projektpartner Bosch den iToBoS-Ganzkörperscanner entwickelt. iToBoS steht für Intelligent Total Body Scanner for Early Detection of Melanoma und bezieht sich auf ein EU-Projekt, das mit 12,1 Millionen Euro gefördert wird. Der Scanner ist das Herzstück der ebenfalls im Projekt entwickelten, cloudbasierten KI-Diagnoseplattform, in der Gesundheitsdaten aus verschiedenen Quellen wie Krankenakten, Genomdaten und In-vivo-Bildgebung zusammengeführt werden. KI-Assistenten unterstützen Der Scanner untersucht innerhalb von sechs Minuten den gesamten Körper automatisch mithilfe eines kognitiven KI-Assistenten. Dieser nutzt unter anderem KI-Modelle und XAI-Methoden des Fraunhofer HHI (Fraunhofer-Institut für Nachrichtentechnik, Heinrich-Hertz-Institut). Das medizinische Fachpersonal erhält dann für jedes einzelne Muttermal eine Risikobewertung. Die hochauflösenden Kameras des Scanners sind mit Flüssigkeitslinsen ausgestattet, die das Design des menschlichen Auges nachahmen. Basierend auf zwei nicht mischbaren Flüssigkeiten mit unterschiedlichem Brechungsindex sollen sie eine noch nie dagewesene Bildqualität erreichen. Für eine hoch personalisierte Diagnose werden die Untersuchungsaufnahmen durch Machine Learning zusammen mit sämtlichen verfügbaren Patientendaten (demographische und Angaben zu UV-Schäden, Risikogruppe etc.) in die KI-Diagnoseplattform mit einem kognitiven KI-Assistententool integriert. Erklärbare KI – XAI Das Zusammenspiel der am Fraunhofer HHI entwickelten XAI-Methoden. Fraunhofer HHI Scans können über einen längeren Zeitraum wiederholt und miteinander verglichen werden, um so die Entwicklung der Leberflecke und mögliche Veränderungen, die auf Hautkrebs hindeuten können, genau zu beobachten. Mehrere spezialisierte, im KI-Assistenten zusammengeführte KI-Algorithmen sind dafür verantwortlich, Muttermale im Zeitverlauf zu identifizieren und zu tracken. Um absolut zuverlässige Diagnosen zu erhalten, müssen die Entscheidungen der KI nachvollziehbar sein. Hierzu kommen im Projekt XAI-Methoden zum Einsatz. Die verwendeten Methoden umfassen: LRP (Layer-Wise Relevance Propagation), CRP (Concept Relevance Propagation), PCX (Prototypical Concept-based Explanations). Mit Hilfe dieser Verfahren machen die Forscher des Fraunhofer HHI die KI-Prognosen erklärbar und decken somit unsichere Problemlösungsstrategien auf. Die Methoden identifizieren und quantifizieren ein breites Spektrum erlernten Entscheidungsverhaltens und erkennen unerwünschte Entscheidungen auch in riesigen Datensätzen. Auf diese Weise beugen sie Modellfehlverhalten vor und sorgen dafür, dass die eingesetzten KI-Systeme zuverlässig und sicher sind. Fehler heraustrainieren Darüber hinaus können die Wissenschaftler des Fraunhofer HHI mit ihrer im Projekt entwickelten R2R-Methode (Reveal to Revise) eventuelle Verhaltensauffälligkeiten und -fehler aus der KI heraustrainieren, indem sie über die Informationen aus ihrer XAI die Daten besser annotieren, um das Gesamtsystem robuster und zuverlässiger zu gestalten. Endziel des Projekts ist die Entwicklung eines holistischen KI-Modells, das mithilfe multimodaler Datensätze verschiedenste Perspektiven auf die Patientinnen und Patienten einnimmt. Langfristig könnte der Ganzkörperscanner auch dafür eingesetzt werden, andere Hauterkrankungen wie Neurodermitis zu erfassen. Die Projektpartner im Überblick: BARCO NV, Canfield Scientific Inc., Coronis Computing SL, Fraunhofer HHI, Fundació Clínic per a la Recerca Biomèdica, IBM Israel – Science and Technology Ltd., Institute for Computer Science and Control (SZTAKI), Isahit SAS, Leibniz Universität Hannover, Melanoma Patient Network Europe, National Technical University of Athens, Optotune AG, Ricoh Spain IT Services SLU, Robert Bosch Española SA, Torus Actions SAS, Trilateral Research Ltd., Università degli Studi di Trieste, University of Queensland, Universitat de Girona (Koordinator), V7 Ltd.
KI erkennt Hautkrebs in 6 Minuten Hautkrebsvorsorge mit dem Ganzkörperscanner im iToBoS-Projekt. Fraunhofer HHI Melanome sind für 60 Prozent aller bösartigen Tumor-Neubildungen der Haut verantwortlich. Die Häufigkeit von Melanomen hat in den letzten Jahren stark zugenommen. Sie werden oftmals zu spät erkannt, da Diagnoseverfahren zur Früherkennung arbeits- und kostenintensiv sind. Gute Heilungschancen gibt es bei Hautkrebs, wenn er frühzeitig erkannt wird.. Die bislang angewandten Methoden bei der Vorsorgeuntersuchung sind häufig jedoch nicht nur fehleranfällig, sondern auch sehr zeitaufwändig: Ein Arzt untersucht meist mit einem Dermatoskop die gesamte Haut. Ganzkörper-Screening in sechs Minuten Geradezu revolutionär klingt dagegen, was Fraunhofer mit Partnern jetzt verspricht: In nur sechs Minuten soll der komplette Körper automatisch untersucht werden. Für jede auffällige Veränderung an der Haut werde dann eine Risikobewertung geliefert. Dazu hat Projektpartner Bosch den iToBoS-Ganzkörperscanner entwickelt. iToBoS steht für Intelligent Total Body Scanner for Early Detection of Melanoma und bezieht sich auf ein EU-Projekt, das mit 12,1 Millionen Euro gefördert wird. Der Scanner ist das Herzstück der ebenfalls im Projekt entwickelten, cloudbasierten KI-Diagnoseplattform, in der Gesundheitsdaten aus verschiedenen Quellen wie Krankenakten, Genomdaten und In-vivo-Bildgebung zusammengeführt werden. KI-Assistenten unterstützen Der Scanner untersucht innerhalb von sechs Minuten den gesamten Körper automatisch mithilfe eines kognitiven KI-Assistenten. Dieser nutzt unter anderem KI-Modelle und XAI-Methoden des Fraunhofer HHI (Fraunhofer-Institut für Nachrichtentechnik, Heinrich-Hertz-Institut). Das medizinische Fachpersonal erhält dann für jedes einzelne Muttermal eine Risikobewertung. Die hochauflösenden Kameras des Scanners sind mit Flüssigkeitslinsen ausgestattet, die das Design des menschlichen Auges nachahmen. Basierend auf zwei nicht mischbaren Flüssigkeiten mit unterschiedlichem Brechungsindex sollen sie eine noch nie dagewesene Bildqualität erreichen. Für eine hoch personalisierte Diagnose werden die Untersuchungsaufnahmen durch Machine Learning zusammen mit sämtlichen verfügbaren Patientendaten (demographische und Angaben zu UV-Schäden, Risikogruppe etc.) in die KI-Diagnoseplattform mit einem kognitiven KI-Assistententool integriert. Erklärbare KI – XAI Das Zusammenspiel der am Fraunhofer HHI entwickelten XAI-Methoden. Fraunhofer HHI Scans können über einen längeren Zeitraum wiederholt und miteinander verglichen werden, um so die Entwicklung der Leberflecke und mögliche Veränderungen, die auf Hautkrebs hindeuten können, genau zu beobachten. Mehrere spezialisierte, im KI-Assistenten zusammengeführte KI-Algorithmen sind dafür verantwortlich, Muttermale im Zeitverlauf zu identifizieren und zu tracken. Um absolut zuverlässige Diagnosen zu erhalten, müssen die Entscheidungen der KI nachvollziehbar sein. Hierzu kommen im Projekt XAI-Methoden zum Einsatz. Die verwendeten Methoden umfassen: LRP (Layer-Wise Relevance Propagation), CRP (Concept Relevance Propagation), PCX (Prototypical Concept-based Explanations). Mit Hilfe dieser Verfahren machen die Forscher des Fraunhofer HHI die KI-Prognosen erklärbar und decken somit unsichere Problemlösungsstrategien auf. Die Methoden identifizieren und quantifizieren ein breites Spektrum erlernten Entscheidungsverhaltens und erkennen unerwünschte Entscheidungen auch in riesigen Datensätzen. Auf diese Weise beugen sie Modellfehlverhalten vor und sorgen dafür, dass die eingesetzten KI-Systeme zuverlässig und sicher sind. Fehler heraustrainieren Darüber hinaus können die Wissenschaftler des Fraunhofer HHI mit ihrer im Projekt entwickelten R2R-Methode (Reveal to Revise) eventuelle Verhaltensauffälligkeiten und -fehler aus der KI heraustrainieren, indem sie über die Informationen aus ihrer XAI die Daten besser annotieren, um das Gesamtsystem robuster und zuverlässiger zu gestalten. Endziel des Projekts ist die Entwicklung eines holistischen KI-Modells, das mithilfe multimodaler Datensätze verschiedenste Perspektiven auf die Patientinnen und Patienten einnimmt. Langfristig könnte der Ganzkörperscanner auch dafür eingesetzt werden, andere Hauterkrankungen wie Neurodermitis zu erfassen. Die Projektpartner im Überblick: BARCO NV, Canfield Scientific Inc., Coronis Computing SL, Fraunhofer HHI, Fundació Clínic per a la Recerca Biomèdica, IBM Israel – Science and Technology Ltd., Institute for Computer Science and Control (SZTAKI), Isahit SAS, Leibniz Universität Hannover, Melanoma Patient Network Europe, National Technical University of Athens, Optotune AG, Ricoh Spain IT Services SLU, Robert Bosch Española SA, Torus Actions SAS, Trilateral Research Ltd., Università degli Studi di Trieste, University of Queensland, Universitat de Girona (Koordinator), V7 Ltd.