339
Passwort vergessen

KI

Einsatzgebiete von KI in der Medizin

Einsatzgebiete von KI in der Medizin

  • f&w
  • Titel
  • 28.03.2018

Die Radiologie ist das bekannteste Fachgebiet, wenn es um den Einsatz von KI-basierten Technologien geht. Doch auch in anderen Disziplinen hat die Zukunft schon begonnen.

Dermatologie

Diese Schlagzeile fand im Januar 2017 ihren Eingang in die Laienpresse: „Google kann Hautkrebs erkennen“. Was war passiert? Forscher der Stanford University hatten einen Algorithmus gebaut, der in der Erkennung von Melanomen dem von 21 Dermatologen überlegen war. Dabei benutzten sie einen Bilderkennungs-Algorithmus von Google, der mit 1,3 Millionen Bildern und über 1.000 Objektkategorien trainiert worden war. Kein einziges medizinisches Bild war zum initialen AI-Training benutzt worden.

Die Stanford-Forscher ließen diesen Algorithmus dann weitere 130.000 Bilder lernen, diesmal allerdings medizinische Bilder von über 2.000 verschiedenen Hautkrankheiten. Nach diesem Training wurden den Fachärzten 370 hochaufgelöste Bilder von fraglichen oder eindeutigen Melanomen vorgelegt und erfragt, ob sie eine Biopsie empfehlen würden oder zum Abwarten rieten. Die Antworten stimmten mit den tatsächlichen Ergebnissen zwischen 74 bis 84 Prozent überein. Dieselbe Frage wurde dem Algorithmus gestellt, der zu 91 Prozent korrekt war. Die Bedeutung dieses einen Anwendungsfalls hat noch eine andere Dimension: Würden diese Bilder mit einer preiswerten Vorsatzlupe an einem Smartphone aufgenommen und entweder per App oder in der Cloud von einem solchen – oder ähnlichen – Algorithmus ausgewertet werden, ergäben sich enorme Potenziale in der dermatologischen Versorgungsqualität. Mittlerweile gibt es etliche dieser Studien mit ähnlichen Ergebnissen – nicht nur für die Melanomerkennung bei fraglichen Molen, sondern zum Beispiel auch bei Nagelerkrankungen. Interessant auf jeden Fall: ein Algorithmus, der mit Hunde- und Katzenbildern im Internet trainiert worden ist, als dermatologische Kapazität.

 

Onkologie

Die Onkologie als Querschnittsgebiet profitiert zurzeit am deutlichsten von AI. Zum einen sind es die AI-Systeme der Radiologen, Pathologen und Genetiker, die bessere und präzisere Zuarbeit leisten, zum anderen sind es aber AI-Anwendungen der Kategorie „Wissensverarbeitung und Wissensstrukturierung“, die vor allem in der Onkologie ihren Einsatz finden. Es war 2013, als MD Anderson – seit 28 Jahren jeweils zur besten Krebsklinik gewählt – und IBM ein Projekt mit folgender Schlagzeile annoncierten: „MD Anderson, the cancer center that is part of the University of Texas, is using the IBM Watson cognitive computing system for its mission to eradicate cancer once and forever“. Wow.

Im Januar 2017 war es vorbei mit dem Projekt und führte zu ebenso interessanten Schlagzeilen. Was war passiert? Es war nicht der Fortschritt, der nicht ausreichend genug war. IBM und MD Anderson entwickelten ein gemeinsames Produkt einen komplexen AI-Algorithmus, den sie Oncology Expert Advisor (OEA) nannten. Dieser Algorithmus kannte sämtliche veröffentlichte Literatur, verglich diese mit der Patientensituation und machte Vorschläge. Ein anderer Algorithmus kannte sämtliche klinische Versuche, die für die jeweilige Diagnose gerade liefen oder geplant waren, und auch die Ergebnisse von abgeschlossenen Tests, und brachte dieses Wissen dem OEA bei. Alles, um dem Onkologen eine enorme Wissensakkumulation im aktuellen Behandlungskontext zu ermöglichen. Die Übereinstimmungsraten, die der OEA und ausgewiesene Onkologie-Experten hatten, lagen bei 90 Prozent. Ein Erfolg. Dennoch wurde das Projekt gestoppt, aus einem anderen, viel trivialeren Grund: Mittlerweile – zwischen 2013 und 2016 – war die Industrie aufgewacht, und der AI-Winter war vorbei. Es gab jetzt auch andere Unternehmen am Markt, die solche Algorithmen für weniger Geld entwickeln könnten. Also stoppte MD Anderson das Projekt und schrieb öffentlich aus.

Hier liegt eine der Stärken von AI für die Onkologie: das unermüdliche Verarbeiten und Erlernen von komplexen, unstrukturierten Daten und die Aufbereitung im klinischen Kontext. Ein letzter Punkt sei nicht unerwähnt: In der Onkologie wird Presicion Medicine zuerst Fuß fassen und Realität werden: komplexe genetische, epigenetische, metabolomische Daten mit Daten aus Biobanken, Molekularbiologie, Radiologie und Pathologie semantisch sinnvoll zu kombinieren.

 

 

Video-Interview mit KI-Experte Michael Dahlweid

In einigen Bereichen der Medizin ist die Maschine bereits besser als der Mensch, sagt KI-Experte Michael Dahlweid von der Inselgruppe Bern.

Pathologie

Die Pathologie scheint ein Erfolg versprechendes Einsatzgebiet für AI zu sein. Allerdings ist es so, dass die Pathologie weit weniger digitalisiert ist als zum Beispiel die Radiologie, und sich somit der Einsatz von AI limitiert. Dennoch steht der Paradigmenwechsel auch in der Pathologie kurz bevor: Schon im Dezember 2016 hatte das Editorial in einer viel beachteten internationalen Zeitschrift für Pathologen und Labormediziner folgende Überschrift: „AlphaGo, deep learning, and the future of the human microscopist“. Damals wurde gerade bekannt, dass Google mit AlphaGo den 18-fachen Weltmeister im Go – weit komplexer und schwerer als Schach – vernichtend geschlagen hatte.

Auch hier dieselben Diskussionen: Wird AI die Experten am Mikroskop ersetzen? Wann? Es scheint allerdings, dass die Fachgesellschaften der Pathologie noch eher auf dem Stand der Diskussionen sind, wie sie die Radiologie etwa ein oder zwei Jahre zuvor hatten. Auch wenn es mehr als genug Studien gibt, die die Überlegenheit diagnostischer Präzision von AI-Algorithmen bei bestimmten pathologischen Bilderkennungen zeigen, so wird doch vehement diskutiert, ob AI wirklich die komplexe, über lange Jahre des Trainings erworbene humane Kognition ersetzen kann, die deutlich mehr sei als nur Bilderkennung. Ein schönes Beispiel wird immer wieder gern gebracht: Trainiert man Tauben lange genug, so seien jene bei der Unterscheidung von gutartigem gegenüber bösartigem Tumorgewebe der Brust etwas besser als Pathologen, nämlich 85 Prozent Trefferquote vs. 83 Prozent. Die Tiere jedoch können keine klinische Kontextualisierung leisten, so das Argument.

Der aktuelle Schwerpunkt in der Pathologie ist eher im Bereich der Stufe eins bis drei der Automatisierung zu sehen. So werden Zellkerne automatisch erkannt und segmentiert, Mitoseraten durch Bilderkennung vorsortiert, oder normales Gewebe wird vom Algorithmus von nekrotischem, abgestorbenem Gewebe abgegrenzt. Spannend wird AI in der Pathologie dann, wenn es um multidimensionale Daten für die Diagnostik geht: So werden etwa zunehmend epigenetische und genetische Daten mit Biomarkern und Pathologiebefunden verknüpft, um gerade in der Onkologie immer präziser werden zu können. Ohne Algorithmen nicht machbar.

 

Psychiatrie

Andrew Ng ist so etwas wie der Guru des machine learning. Er hat unzählige Artikel publiziert, bei den großen AI-Unternehmen gearbeitet und lehrt den weltweit erfolgreichsten MOOC-Kurs für AI. Andrews neuer Arbeitgeber ist seit Oktober 2017 Woebot, ein Start-up, das einen Chatbot zur Therapie von Depressionen entwickelt. Die erste klinische Studie, durchgeführt an der Stanford University, publiziert im JMIR, zeigt, dass Woebot depressive Symptome innerhalb von zwei Wochen reduzieren kann. Das Anwendungsfeld von AI in der Psychiatrie (mental health) sind Sprach- und Bewegungsanalyse – aber auch die Analyse von Social Media. Bestimmte psychische – aber auch neurologische – Erkrankungen gehen mit typischen Veränderungen des Vokabulars, der Grammatik, der Stimmmodulation oder der Aussprache einher. Andere Symptome zeigen sich in veränderten Bewegungsabläufen, veränderter Motorik etc., oder sie zeigen sich schlichtweg in der veränderten Art und Weise der sozialen Interaktion. Dies zu erkennen und mittels Sprach-, Bild-, Videoanalyse und Social-Media-Inhalten vorherzusagen, sind die Einsatzgebiete von weltweit gut 50 Start-ups, die sich hier in den vergangenen wenigen Jahren entwickelt haben – und sie zielen direkt auf den Nutzer, den Patienten. Patient-Empowerment und Health-Consumerism sind quasi „Nebenprodukte“, die hier entstehen.

 

Radiologie

Ohne Zweifel ist die Radiologie das prominenteste Fachgebiet, wenn es um den Einsatz von AI-basierten Technologien geht. Am eindrucksvollsten zeigte sich dies im Dezember 2017 auf der jährlichen Tagung der RSNA: Es gab praktisch kein anderes Thema. Der seit 103 Jahren in Chicago stattfindende Kongress, bei dem sonst die Medizintechnologie der Bildgebung im Vordergrund steht, hat sich im Kontext Forschung, Lehre und Anwendung zu einem Mekka für die moderne KI gewandelt. Die gezeigten Anwendungsfälle gehen in die Hunderte, die Zahl der neu gegründeten Start-ups auch, und es wurde über fast eintausend wissenschaftliche Studien und Projekte im Kontext AI berichtet.

Die Radiologie ist die erste Fachrichtung, die sich mit Regulierungsbehörden beginnt auseinanderzusetzen, denn niemand – auch die Behörden selber nicht – weiß Stand heute, welche Regularien in Anwendung zu bringen sind. Dazu hat sich eine aktive Arbeitsgruppe zwischen dem ACR und der obersten US-Zulassungsbehörde FDA gebildet. Es würde den Rahmen dieses Artikels sprengen, alle Stand heute in der Erprobung befindlichen AI-Szenarien in der Radiologie beschreiben zu wollen. Die Bandbreite reicht vom vermeintlichen Klassiker (Erkennen eines Lungenrundherdes im CT-Bild) bis hin zur Vorhersage eines potenziellen Outcomes bei Schlaganfall im Perfusionsbild, von der Klassifizierung von sogenannten „Pseudo-Progressionen“ von Tumoren zur Optimierung von Chemo- und Immuntherapie bis hin zur korrekten Wachstumsvorhersage anhand von Röntgenbildern der Handwurzel, von der automatisierten Lagekorrektur beim MRT-Scan bis hin zur Organerkennung beim Ultraschall. Alles scheint möglich.

Der aktuelle Schwerpunkt in der Radiologie scheint neben den spezifischen Fragestellungen eher auf der Optimierung der Abläufe zu liegen (die wichtigsten Patienten zuerst oder die Markierung des fraglichen Befunds in der Lungenaufnahme). Ein weiteres Gebiet sind Zufallsbefunde: Hier werden zum Beispiel CT-Aufnahmen des Abdomens oder des Beckens zeitgleich von den Algorithmen dahingehend untersucht, ob es etwa Verkalkungen der großen Arterien gibt, ob die Struktur der Wirbelkörper auf eine Osteoporose hinweist oder die Struktur der Leber eine Erkrankung nahelegt – auch wenn dies in der Fragestellung nicht angefordert war und der Patient zum Beispiel wegen eines potenziellen Problems des Darms untersucht worden ist.

Tägliche Klinik-News direkt in Ihr Postfach

Abonnieren Sie unseren täglichen Newsletter und erhalten Sie täglich Nachrichten aus der Gesundheitswirtschaft.

Autor

Unsere Zeitschriften

f&w

Pflege und Krankenhausrecht

Empfehlung der Redaktion

Weitblick und Menschennähe: f&w gedenkt Michael Philippi mit Nachrufen des langjährigen Chefredakteurs Stefan Deges sowie des BDPK und öffnet das Archiv für Philippis Artikel aus der ersten f&w-Ausgabe aus dem Jahr 1984

Weitere Artikel dieser Ausgabe


Neueste Klinik-Personalie

Direktorat für Pflegestrategie

Vivantes richtet Management stärker auf Pflege aus

  • News des Tages

Vivantes will den Bereich Pflege stärken und ändert deshalb seine Managementstrukturen.


Kontakt zum Kundenservice

Rufen Sie an: 0 56 61 / 73 44-0
Mo - Fr 08:00 bis 17:00 Uhr

Senden Sie uns eine E-Mail:
info@bibliomedmanager.de

Häufige Fragen und Antworten finden Sie im Hilfe-Bereich