🩺 Medizinischer Scan-Klassifikator — Wie ein CNN ein Bild liest

Die ROC-Kurve (Receiver Operating Characteristic) trägt die True-Positive-Rate (Sensitivität) gegen die False-Positive-Rate (1 − Spezifität) auf, während der Entscheidungsschwellenwert von 1 auf 0 absinkt. Jeder Punkt auf der Kurve entspricht einem möglichen Schwellenwert. Ein zufälliger Rater zeichnet die Diagonale nach; ein perfekter Klassifikator schmiegt sich an die obere linke Ecke. Die Fläche unter der Kurve (AUC) fasst die Leistung über alle Schwellenwerte hinweg zusammen — eine AUC von 0,5 bedeutet nicht besser als Zufall, 1,0 bedeutet perfekte Trennung. Da diese Simulation zufälliges fallweises Rauschen hinzufügt und Amplitude und Position des Blobs randomisiert, ist die angezeigte Kurve realistisch unvollkommen statt einer trivialen Stufenfunktion.

Nein — und das ist beabsichtigt. Die hier verwendeten Kerne sind feste, von Hand gewählte Gewichte, nicht das Ergebnis von Gradientenabstieg auf gelabelten Trainingsdaten. Ein echtes diagnostisches CNN würde seine Faltungsgewichte (oft über Dutzende Schichten und Hunderte Kanäle) durch Backpropagation eines Verlusts erlernen, der gegen Tausende von Experten gelabelte Scans berechnet wird. Was diese Simulation getreu wiedergibt, ist der Forward-Pass: Faltung → Merkmalskarte → Pooling → Sigmoid → Wahrscheinlichkeit, dieselbe Rechenpipeline, die ein trainiertes Netz zur Inferenzzeit ausführt, nur mit von Hand gewählten statt gelernten Gewichten.

Echte Bildsensoren haben immer Hintergrundrauschen, und echte Anatomie hat natürliche Textur, selbst wenn sie gesund ist. Die Modellierung von „Normal“ als reines Rauschen um eine niedrige Basisintensität (statt als leeres Raster) zwingt den Klassifikator, eine echte Struktur erhöhter Intensität von gewöhnlicher Pixel-zu-Pixel-Variation zu unterscheiden — was die tatsächliche Herausforderung ist, der medizinische Bildklassifikatoren gegenüberstehen, und der Grund, warum ein naiver Helligkeitsschwellenwert auf Rohpixeln weit schlechter abschneidet als ein faltungsbasierter Merkmalsdetektor.

Die Konfusionsmatrix sowie die Werte für Sensitivität/Spezifität/Genauigkeit werden sofort neu berechnet, sobald Sie den Schwellenwertregler bewegen, unter Verwendung der bereits für jeden bisher durchgeführten Fall gespeicherten Diagnosewahrscheinlichkeit. Nur die zugrunde liegenden Wahrscheinlichkeiten erfordern einen Stapellauf (oder einen Einzelfall) zur Erzeugung; sie gegen einen gegebenen Schwellenwert als positiv oder negativ zu klassifizieren, ist nur ein Vergleich und kann daher live neu berechnet werden, ohne dass neue Scans erzeugt werden müssen.

Jeder Fall zieht Amplitude, Position und Breite seines Blobs neu aus einer Zufallsverteilung um die typischen Werte der Voreinstellung und fügt frisches Pixelrauschen hinzu. Dies spiegelt reale biologische und bildgebende Variabilität wider — keine zwei echten Scans derselben Pathologie sehen identisch aus. Es ist auch das, was die ROC-Kurve aussagekräftig macht: Wenn jeder „Early“-Fall identisch bewertet würde, würden Sensitivität und Spezifität in diskreten Schritten springen, statt eine glatte Kurve nachzuzeichnen.