SCS ist stolz darauf, an einer Nature Communications Biology Publikation mitgearbeitet zu haben.

Wir gratulieren den Autoren von [1]  herzlich zu ihrem Paper. Zusammen mit Peter Maloca vom «Institute of Molecular and Clinical Ophthalmology Basel (IOB)» konnten wir zeigen, wie Unsicherheiten in der Ground Truth das Lernverhalten eines Machine Learning (ML) Algorithmus beeinflussen.

Konkret haben wir untersucht, welchen Einfluss abweichende Meinungen von Experten bezüglich der Annotation von medizinischen Bilddaten auf das Lernverhalten eines Deep Learning (DL) Algorithmus haben. Oder anders gesagt: Wie unterschiedliche Expertenmeinungen vom DL-Algorithmus gewichtet werden, wenn der Algorithmus von diesen uneindeutigen Daten lernt — und welchen Konsens er findet. Dafür schlagen wir die T-REX Methodologie vor: ein neues Werkzeug in der Explainable AI (XAI) Toolbox.

Die mit T-REX neu gewonnenen Erkenntnisse sind sehr aufschlussreich: Gerade im medizinischen Bereich gibt es nicht nur Ja/Nein Diagnosen, und unterschiedliche Expertenmeinungen können durchaus ihre Berechtigung haben. Um so mehr stellt sich in der AI-assistierten Diagnose die Frage, wie Algorithmen mit dieser Unsicherheit umgehen. Die Publikation und T-REX liefern Antworten dazu.

Link zum Paper: https://www.nature.com/articles/s42003-021-01697-y

[1] Maloca PM, Müller PL, Lee AY, Tufail A, Balaskas K, Niklaus S, Kaiser P*, Suter S*, Zarranz-Ventura J, Egan C, Scholl HPN, Schnitzer TK, Singer T, Hasler PW, Denk N. Unraveling the deep learning gearbox in optical coherence tomography image segmentation towards explainable artificial intelligence. Commun Biol. 2021 Feb 5;4(1):170. doi: 10.1038/s42003-021-01697-y. PMID: 33547415.

In naher Zukunft wird KI zu unserem Alltag gehören. So werden selbstoptimierende Maschinen, Spracherkennung sowie diagnostizierende Medizingeräte uns täglich unterstützen. Die zugrunde liegenden Algorithmen sind extrem leistungsfähig aber auch leistungshungrig. Was steckt wirklich hinter der KI? Wie kann diese «at the edge», also eingebettet im Endgerät laufen, ohne Daten in der Cloud zu rechnen? In diesem Talk erklären David Gschwend und Florentin Marty, wie Ingenieure von SCS für Ihre Kunden erfolgreich KI in eingebettete Systeme packen.

Dieser Vortrag wurde am 9. Juni 2020 im Rahmen der Embedded Computing Conference 2020 mit dem „Audience Choice Award“ ausgezeichnet.

Haben Sie Fragen, Anregungen, Ideen oder Projekte, die Sie gerne besprechen möchten? Dann nehmen Sie jetzt Kontakt mit uns auf!

    Kontaktieren Sie David Gschwend

    Protected by reCAPTCHA. The Google Privacy Policy and Terms of Service apply.

    Künstliche Intelligenz (KI), maschinelles Lernen (ML) und tiefe Neuronale Netze (DNN) sind mächtige Werkzeuge die wir immer öfter erfolgreich in Kundenprojekten anwenden. Dank enormen Fortschritten in der Computertechnik, Algorithmen und grossen Datenmengen liefern diese Ansätze überzeugende Resultate – insb. im Bereich Bild- und Sprachverarbeitung.

    In der Biotechnologie/Pharmazie werden oft Bild­erfassungssysteme eingesetzt. Für das neustes Produkt „zenCELL owl“ der Firma InnoME GmbH (www.innome.org), ein digitales Mehrkamera-Mikroskop, übernehmen künstliche Neuronen das Zählen von lebenden Zellen!

    Digitales Mehrkamera-Mikroskop „zenCELL owl“

    In enger Zusammenarbeit haben wir für InnoME eine automatisierte PC-basierte Bildverarbeitungssoftware entwickelt, die für jedes aufgenommene Kamerabild die vorhandenen Zellen detektiert, zählt und diese Informationen (fast) in Echtzeit nachfolgenden Verarbeitungsstufen zur Verfügung stellt.

    Der entwickelte Zellzählalgorithmus beruht auf einem Neuronalen Netz vom Typ CNN (Convolutional Neural Net). Das Netz wurde mit umfangreichen Lerndaten trainiert: ca. 8‘000 Umrissmarkierte (gelabelte) Fibroblast-Zellen  (L929) in drei unterschiedlichen Zellstadien: lebend, gestorben und mutierend. Letztere wird aktuell noch weggelassen, da naturgemäss noch zu wenige Trainingsdaten vorliegen.

     

    Links: Ground Truth – Manuel markierte L929 Zellen: rot=lebend, blau=gestorben, grün=mutiert

    Rechts: Typisches Beispiel segmentierter und gezählten L929 Zellen – rot=lebend, blau=gestorben

    Generell lassen sich in Zukunft andere Zelltypen – mit entsprechend erweiterten Trainingsdaten – leicht in das bestehende System integrieren. Die erreichte Zählgenauigkeit ist besser als 95%. Die Verarbeitungsgeschwindigkeit ist » 6 s pro Bild auf einem Standard PC.

    Wir sind stolz darauf, dass InnoME GmbH unseren entwickelten Zellzählalgorithmus in ihrem neusten Produkt integriert hat und – nach ausgiebigen Tests – in der ganzen Welt zum Einsatz kommt.