Trotz zunehmender Beweise dafür, dass Deep Learning Modelle im Laufe der Zeit an Qualität verlieren, wird der Großteil der Forschung im Bereich der medizinischen Bildgebung in statischen Umgebungen entworfen und evaluiert. Es gab in den letzten Jahren spannende Entwicklungen bei der automatischen Erkennung und Segmentierung diagnostisch relevanter Befunde. Allerdings haben die wenigen prospektiven Studien, die es dazu gab, enttäuschende Ergebnisse gezeigt. Dies ist vor allem auf die vielen Faktoren zurückzuführen, die zu Verschiebungen in der Verteilung medizinischer Bilddaten führen. Diese reichen von Änderungen in den Bildgebungsverfahren bis hin zu natürlich vorkommenden Variationen in der Patientenpopulation und der Ausprägung von Krankheiten. Wenn wir Deep Learning wirksam einsetzen wollen, müssen wir uns von den Annahmen einer geschlossenen Umgebung lösen und damit beginnen, Systeme für die dynamische offene Welt zu entwerfen.

Dies erfordert zunächst die Einrichtung zuverlässiger Qualitätssicherungsmaßnahmen. Der erste Teil dieser Dissertation fasst meine Beiträge zu diesem Themengebiet zusammen. Ich schlage zuerst zwei Ansätze vor, welche Ausreißer durch ein selbst überwachtes Lernziel oder durch die Quantifizierung des Abstands zu Trainingsbeispielen in einem niedrig dimensionalen latenten Raum identifizieren. Anschließend untersuche ich, wie die Vielfalt unter den Mitgliedern eines tiefen Ensembles maximiert werden kann, um die Kalibrierung und Robustheit zu verbessern. Zudem stelle ich eine domänenbasierte Methode zur Erkennung schlechter Segmentierungsmasken für Lungenläsionen vor.

Natürlich ist die Erkennung von Fehlern nur der erste Schritt. Im Idealfall wollen wir Modelle trainieren, die in der offenen Welt für einen großen Teil der Daten zuverlässig funktionieren. Bisherige Verfahren, unter anderem aus der Domänenanpassung, können zwar die Robustheit erhöhen, aber nur bis zu einem gewissen Grad. Mit der Zeit behalten Modelle nur dann eine akzeptable Leistung bei, wenn sie mit neu erfassten Beispielen weiterlernen, welche die Änderungen in der Verteilung der Daten widerspiegeln. Das Ziel des kontinuierlichen Lernens besteht darin, sich an Veränderungen in der Umgebung anzupassen, ohne bereits Gelerntes zu vergessen. Eine praktische Strategie, um dies zu erreichen, ist die Expansion, bei der mehrere Parametrisierungen des Modells trainiert werden, und während der Inferenz die am besten geeignete ausgewählt wird. Im zweiten Teil der Arbeit stelle ich zwei Methoden vor, welche auf Expansion basieren, aber nicht auf Informationen darüber angewiesen sind, wann oder wie sich die Datenverteilung ändert.

Selbst wenn geeignete Mechanismen vorhanden sind, um Fehler zu erkennen und mit der Zeit neues Wissen zu erwerben, kann dies nur dann in die klinische Anwendung übertragen werden, wenn der rechtliche Rahmen dies zulässt. Die derzeitigen Vorschriften in den USA und der Europäischen Union lassen nur abgeschlossene, deterministische Systeme zu, deren Parameter sich nicht mehr verändern dürfen. Glücklicherweise erkennen die Aufsichtsbehörden die Notwendigkeit eines modernen, lebenszyklusorientierten Regulierungsansatzes an. Im dritten Teil der Dissertation gehe ich auf diese Bemühungen ein, sowie auf andere nötige Aspekte der Entwicklung von Systemen, die während ihres Lebenszyklus weiterlernen.

Wir befinden uns endlich in einer Phase, in der medizinische Fachkräfte und Aufsichtsbehörden Deep Learning begrüßen, und in der die Zahl der kommerziell erhältlichen diagnostischen Radiologiesysteme schnell ansteigt. Dies eröffnet uns die Chance - und die Verantwortung - zu zeigen, dass diese Systeme während ihrer gesamten Lebensdauer sicher und effektiv sein können.