Category Archives: Technologie

Die KI könnte MRT-Scans bis zu 10 mal schneller machen.

Ein MRT zu machen bedeutet, sich in einer verrauschten, klaustrophobischen Röhre zu befinden. Für viele ist das kein Spaß. Für andere – wie Kinder oder sehr unwohl – ist es schlimmer. Um diese Diagnosewerkzeuge noch schneller laufen zu lassen, erforschen die Forscher eine neue Taktik: Sie nutzen künstliche Intelligenz, um die von der MRT-Maschine erzeugten Rohdaten zu nutzen und lesbare Bilder zu erzeugen.

Der Grund, warum MRT-Scans langsam sind, erklärt Daniel Sodickson, Professor an der Radiologischen Abteilung der NYU School of Medicine, ist, dass sie alle notwendigen Daten erfassen müssen, um ein schönes Bild für einen Radiologen zu erzeugen. Ein Kniescan kann etwa 15 bis 20 Minuten dauern; ein Gehirn 30 Minuten; die Darstellung eines Herzens kann eine Stunde dauern. Aber was wäre, wenn Sie diese Maschine schneller laufen lassen könnten und trotzdem ein brauchbares Bild erhalten würden?

Mit Hilfe der KI “kann es möglich sein, weniger Daten und damit schneller zu erfassen, während gleichzeitig der gesamte Informationsgehalt der Magnetresonanzbilder erhalten oder sogar verbessert wird”, sagt Sodickson.

So würden sie es machen: Sie würden den MRT-Scan schneller durchführen und dabei weniger Rohdaten sammeln. Aber anstatt diese Rohdaten auf traditionelle Weise zu interpretieren – was einen bewährten mathematischen Prozess ohne KI beinhaltet – trainieren sie künstliche Intelligenz, um die Daten-Bild-Konvertierung durchzuführen. Wenn Forscher versuchen, die Fast-MRT-Daten auf traditionelle Weise zu interpretieren, sind die Ergebnisse schlecht, weil es überhaupt nicht genügend Daten gibt. Mit KI sind sie besser.

Ziel ist es jetzt, einen MRT-Scan bis zu 10 mal schneller durchführen zu können und ein Bild mit der erforderlichen Genauigkeit zu erhalten. Forscher von NYU arbeiten seit 2016 an dieser Idee, und jetzt haben sie angekündigt, dass sie mit dem KI-Forschungsflügel von Facebook, genannt FAIR, zusammenarbeiten, um sie voranzutreiben.

Schnellere MRTs wären eine gute Sache – Patienten würden weniger Zeit in Geräten verbringen, und Bildgebungszentren und Krankenhäuser könnten mehr Tests pro Tag durchführen. Ein weiterer Vorteil dieser Forschung ist, dass, wenn ein MRT schnell genug laufen könnte, ein Arzt einen dieser Scans anstelle einer traditionellen Röntgen- oder CT-Untersuchung anordnen und den Patienten vor der Strahlendosis bewahren könnte, die er sonst erhalten würde, da die Magnetresonanztomographie keine Strahlung verwendet, um ihre Arbeit zu verrichten, wie diese anderen Scans es tun.

Das Projekt stellt einen interessanten Ansatz zur Integration künstlicher Intelligenz in die Medizin dar. Die KI wird häufig verwendet, um zu analysieren, was in einem Bild enthalten ist; im täglichen Leben können dies Bilder von Pasta oder Hot Dogs sein, die beispielsweise bei Yelp hochgeladen wurden. Oder, im Falle von medizinischen Bildern wie Röntgenaufnahmen, haben Forschungsstudien mit Hilfe der KI untersucht, um Tuberkulose bei Röntgenaufnahmen oder Knien aus MRTs zu analysieren. Und in Zusammenarbeit mit dem englischen Alphabet DeepMind und dem Moorfields Eye Hospital wird die KI dreidimensionale Scans des Augenrückens von Patienten analysieren und sogar Behandlungsvorschläge machen.

Aber in diesem Fall ist die Strategie anders: Die KI hilft, das Bild überhaupt erst zu schaffen.

“Die KI ist in der Lage, Transformationen zu erlernen, die für den menschlichen Geist nicht sofort offensichtlich sind”, sagt Sodickson und bezieht sich auf den Prozess der Transformation der Rohdaten in das Bild, das Radiologen später lesen. “Erste Anzeichen sind sehr positiv, dass dies etwas ist, was die KI gut machen kann.”

Natürlich klingt die Erstellung eines Bildes aus weniger Daten als üblich riskant – was wäre, wenn die KI diese Daten so interpretieren würde, dass sie ein schönes Bild ergeben, aber etwas Kritisches übersehen hätten? Ein kleiner Riss in einem Band oder ein kleiner Tumor? Sodickson sagt, das ist das größte Problem auf ihrem Radar. “Wir müssen sicher sein, dass das, was wir präsentieren, die Wahrheit ist”, sagt er. “Wir haben viele Möglichkeiten, das zu testen.”

Die KI erzeugt noch keine Bilder aus den schnellen Scans, die so gut sind wie die Bilder aus den langsameren, normalen Scans, obwohl die KI bereits eine bessere Arbeit leistet, um Bilder aus weniger Daten zu erzeugen, als es bisherige Methoden konnten. “Sie sind besser als alles, was wir vorher bekommen konnten, sie sind einfach noch nicht ganz so gut wie der volle[Scan]”, sagt er.

Hier ist, wie ein KI-Lügendetektor erkennen kann, wenn du fibst.

Künstliche Intelligenz ist überall – sie findet heraus, was auf den Lebensmittelfotos an Orten wie Yelp zu sehen ist, sie hilft Forschern, MRT-Scans schneller zu machen, und sie kann sogar nach Anzeichen von Depressionen in der Stimme von jemandem suchen. Aber hier ist eine Anwendung, die Sie vielleicht noch nicht in Betracht gezogen haben: die Lügendetektion.

Diese Idee – ein KI-Fiberschnüffler – ist in den Nachrichten wegen eines Grenzsicherungsprojekts in Europa namens iBorderCtrl, das eine Technologie zur “Täuschungserkennung” beinhaltet. Die Initiative umfasst einen zweistufigen Prozess, und der Teil der Lügendetektion findet zu Hause statt. Laut der Europäischen Kommission beginnt das Protokoll mit einem Pre-Screening, bei dem Reisende “per Webcam Fragen eines computeranimierten Grenzschutzes beantworten, der auf das Geschlecht, die ethnische Zugehörigkeit und die Sprache des Reisenden zugeschnitten ist. Der einzigartige Ansatz der “Deception Detection” analysiert die Mikroausdrücke von Reisenden, um herauszufinden, ob der Befragte lügt.”

Es klingt nach Science Fiction, und natürlich erinnert es auch an die beunruhigende Geschichte der Polygrafentests. Aber ein solches KI-System ist möglich. Die Frage ist: Wie genau kann sie sein?

Rada Mihalcea, Professorin für Informatik und Ingenieurwesen an der University of Michigan, arbeitet seit etwa einem Jahrzehnt an der Erkennung von Täuschungen. So haben sie einen KI-Täuschungsdetektor konstruiert und wie er funktioniert.

Das erste, was Forscher, die an künstlicher Intelligenz und maschinellem Lernen arbeiten, brauchen, sind Daten. Im Falle der Arbeit, die Mihalcea geleistet hat, begannen sie mit Videos von aktuellen Gerichtsverfahren. So könnte beispielsweise ein Angeklagter, der in einem Prozess spricht, in dem er für schuldig befunden wurde, ein Beispiel für Täuschung liefern; er nutzte auch Zeugenaussagen als Beispiele für wahrheitsgemäße oder betrügerische Aussagen. (Natürlich sind maschinelle Lernalgorithmen nur so gut wie die Daten, die in sie eingegeben werden, und es ist wichtig, sich daran zu erinnern, dass jemand, der wegen eines Verbrechens für schuldig befunden wird, tatsächlich unschuldig sein kann.)

Alles in allem benutzten sie 121 Videoclips und die entsprechenden Transkripte dessen, was sie sagten – ungefähr die Hälfte stellten trügerische Aussagen dar, und die andere Hälfte war wahrheitsgemäß. Es waren diese Daten, mit denen sie maschinell lernende Klassifikatoren bauten, die letztendlich eine Genauigkeitsrate von 60 bis 75 Prozent aufwiesen.

Eine Sache, die das System bemerkt hat? “Der Gebrauch von Pronomen, die lügen, würde dazu neigen, seltener das Wort “Ich” oder “Wir” oder Dinge zu verwenden, die sich auf sich selbst beziehen”, erklärt Mihalcea. “Stattdessen würden Menschen, die lügen, häufiger “dich”, “deine”, “er”, “sie”, “sie” und “sie” benutzen.””

Das ist nicht das einzige sprachliche Signal: Jemand, der eine Lüge erzählt, würde “stärkere Worte” verwenden, die “Gewissheit widerspiegeln”, sagt sie. Beispiele für diese Art von Wörtern sind “absolut”, “sehr” und “sehr”, während interessanterweise Menschen, die die Wahrheit sagen, eher Hedge sind, indem sie Wörter wie “vielleicht” oder “wahrscheinlich” verwenden.

“Ich denke, Leute, die trügerisch sind, würden versuchen, die Lüge, die sie vorbringen, wiedergutzumachen”, sagt sie, “und so versuchen sie, sich selbst sicherer zu sein.”

Was die Gesten betrifft, so weist sie darauf hin, dass jemand, der hinterlistig ist, dem Befragten eher direkt in die Augen schauen würde. Sie tendierten auch dazu, beide Hände beim Gestikulieren zu benutzen, anstatt auch nur ein einziges, wie sie vermutet, als Teil des Versuchs, überzeugend zu sein. (Natürlich sind das Muster, die sie beschreibt: Wenn dir jemand beim Sprechen in die Augen schaut und mit beiden Händen gestikuliert, bedeutet das nicht, dass sie lügen.)

Dies sind all die faszinierenden kleinen Datenpunkte, die die KI zu bemerken beginnen kann, nachdem Forscher ihr Beispiele für die Arbeit mit und das Lernen gegeben haben. Aber Mihalceas Werk ist “nicht perfekt”, gibt sie zu. “Als Forscher sind wir begeistert, dass wir es geschafft haben, 75 Prozent[Genauigkeit] zu erreichen.” Aber anders betrachtet, ist das eine Fehlerquote von jedem Vierten. “Ich glaube nicht, dass es für die Praxis geeignet ist, wegen des 25-prozentigen Fehlers[Rate].”

Letztendlich sieht sie eine solche Technologie als unterstützende Maßnahme für den Menschen – sie könnte beispielsweise darauf hinweisen, dass sie in der Aussage eines Sprechers etwas “Ungewöhnliches” bemerkt hat, und dann vielleicht eine Person haben, die “mehr” untersucht. Und das ist eigentlich ein häufiger Anwendungsfall für KI: eine Technologie, die das ergänzt, was Menschen tun können.