Wissenschaftler der University of Oxford haben mit MedSAM-2 ein bahnbrechendes KI-Modell vorgestellt, das die medizinische Bildsegmentierung auf ein neues Level hebt.
Das neue KI-Modell MedSAM-2 basiert auf dem kürzlich von Meta veröffentlichten Segment Anything Model 2 (SAM 2) und behandelt medizinische Bilder ähnlich wie Videosequenzen. Diese innovative Methode ermöglicht es MedSAM-2, bisherige Spitzenmodelle bei der Segmentierung verschiedener Organe und Gewebe in 2D- und 3D-Bildern zu übertreffen.
Ein herausragendes Merkmal von MedSAM-2 ist die „One-Prompt-Segmentierung“, die durch SAM 2 ermöglicht wird. Mit nur einer Markierung in einem Beispielbild kann das Modell ähnliche Strukturen in weiteren Bildern erkennen und segmentieren. Dies reduziert den Aufwand für medizinisches Personal erheblich, da die Technik auch bei Bildern ohne zeitlichen Zusammenhang funktioniert.
Das Modell nutzt zudem eine „Confidence Memory Bank“, die die zuverlässigsten Vorhersagen speichert. Bei der Analyse neuer Bilder greift MedSAM-2 auf diese Informationen zurück und gewichtet sie je nach Ähnlichkeit zum aktuellen Bild.
In umfangreichen Tests an 15 verschiedenen Datensätzen, einschließlich Aufnahmen von Sehnerven, Bauchorganen, Hautläsionen und Hirntumoren, erzielte MedSAM-2 beeindruckende Ergebnisse. Beispielsweise erreichte das Modell bei der Segmentierung von Bauchorganen in 3D-Bildern einen durchschnittlichen Dice-Score von 88,6 Prozent. Der Dice-Score ist ein Maß für die Übereinstimmung zwischen der KI-Vorhersage und der manuellen Segmentierung durch Experten, wobei ein höherer Wert eine genauere Übereinstimmung bedeutet. Dieser Wert übertrifft das bisherige Spitzenmodell MedSegDiff um 0,7 Prozentpunkte.
Auch bei 2D-Bildern verschiedener Körperregionen zeigte MedSAM-2 deutliche Verbesserungen: Die Segmentierung des Sehnervs verbesserte sich um 2 Prozentpunkte, bei Schilddrüsenknoten um 2,8 Prozentpunkte und bei Hirntumoren um 1,6 Prozentpunkte. Diese Ergebnisse verdeutlichen das Potenzial von MedSAM-2 zur Verbesserung der medizinischen Bildanalysen. Die Entwickler von MedSAM-2 betrachten das Modell als wichtigen Schritt zur Weiterentwicklung der medizinischen Bildanalyse und haben den Modellcode auf GitHub veröffentlicht, um dessen Anwendung in der klinischen Praxis zu fördern.