von Markus Wenzel, Fraunhofer Institute for Digital Medicine MEVIS

KI in der Medizin: Das erweiterte Gedächtnis und vergrößerte Sichtfeld von Ärzten

20.3.2019

Krankheiten früher und sicherer zu erkennen, Behandlungen individuell auf den Patienten zuzuschneiden und Therapieerfolge messbar zu machen – das sind die Ansprüche des Fraunhofer MEVIS. Dazu entwickelt das Institut Softwaresysteme für die bild- und datengestützte Früherkennung, Diagnose und Therapie. Insbesondere in diesen Bereichen spielen Künstliche Intelligenz (KI) und Machine Learning eine immer größere Rolle. Denn in der Radiologie ist im Vergleich zu anderen medizinischen Disziplinen die Digitalisierung bereits weit fortgeschritten. Bilder aus bildgebenden Verfahren wie Röntgen, CT, MRT (Kernspin) sowie PET und SPECT (Radionukliden) stehen bereits heute digital und vor allem strukturiert zur Verfügung – eine wesentliche Erleichterung für die Anwendung von Algorithmen auf Daten. Damit gehört die Radiologie zu den Vorreitern KI-gestützter Medizin, die sich über kurz oder lang auf andere Disziplinen ausweiten wird. Die Forscher am MEVIS arbeiten an zahlreichen Projekten, damit KI Mediziner künftig noch besser unterstützen kann.

© Fraunhofer MEVIS
Die Leber und Auffälligkeiten wurden mit einem Deep Learning-Netzwerk analysiert.

Neue Herausforderungen in der Diagnostik durch Bilderflut

Die Anzahl der Spezialisten, die in der Lage sind, die Informationen auf diesen Bildern zu verarbeiten, ist in den letzten Jahren nicht so schnell gewachsen wie die Zahl der Aufnahmen. Dies betrifft insbesondere die Suche nach Veränderungen an Organen und von Anomalien wie Tumoren, aber auch die Konturierung und Messung von Organvolumina. Um solche interessanten prognostischen Faktoren zu erfassen, müsste beispielsweise das CT eines Organs wie der Leber in all ihren Schichten langwierig manuell konturiert werden. Intelligent agierende Computerprogramme erledigen viele dieser Aufgabe bereits heute schnell und robust.

Ähnlich verhält es sich etwa bei der Suche nach Auffälligkeiten in einem Brustkrebs-Screening-Mammogramm, welche sich systembedingt nicht immer auffinden lassen. Aber für einen Menschen sichtbare Veränderungen kann ein Computer oft genauso identifizieren – nur um ein Vielfaches schneller, rund um die Uhr und mit gleichbleibender Qualität. Auch in der Dermatologie, wo tausende Diagnosen von Hautveränderungen bekannt sind, haben mehrere Forscher bereits die Klassifikationsleistung intelligenter Software nachgewiesen. Mit ausreichend Trainingsdaten ausgestattet, unterscheidet sie diese Diagnosen ebenso zuverlässig wie ein erfahrener Hautarzt, wenn nicht gar noch besser: Denn während es aufwändig ist, einem Facharzt Lehrmaterial vorzulegen, um alle verschiedenen Diagnosen zu lernen, kann ein trainierbarer Algorithmus mit beliebig vielen Daten gefüttert werden. Noch scheuen sich viele, Computern die diagnostische Hilfe anzuvertrauen. In Labortests von Blutproben jedoch ist dieses Verfahren bereits gang und gäbe – Zellen werden seit Jahren vollautomatisch gezählt. Vermutlich ist es also nur eine Frage der Zeit, bis ähnliche Aufgaben in anderen Disziplinen stärker vom Computer übernommen werden. 

 

Wachsende Komplexität durch zunehmendes Wissen

Bildgebende Verfahren fördern immer mehr Informationen über Anatomie und Funktion bis in die kleinsten erkennbaren Strukturen des menschlichen Körpers zu Tage. Das bedeutet, für Therapieentscheidung und -planung können immer mehr Daten als Grundlage berücksichtigt werden. Jedoch ist die Kapazität des Menschen, Informationen in eine Entscheidung einzubeziehen, auf wenige Faktoren limitiert. Die des Computers hingegen nicht: Er kann beliebig viele Einflussfaktoren einbeziehen. So könnten in die Entscheidung über und Planung einer Chemotherapie etwa Faktoren wie die Erkenntnisse aus der bildgebenden Diagnostik, pathologische Befunde, das genetische Profil des Patienten, verfügbare Therapeutika und deren Wirkungen sowie die Patientenhistorie und der Abgleich von vergleichbaren Patienten aus Fall-Datenbanken einfließen. Vor allem die letztgenannte Aufgabe ist zeitraubend. Klassischerweise haben viele Ärzte ein Notizbuch, in dem sie die Fälle in ihrer Laufbahn eintragen und sie dort suchen, um dokumentierte erfolgreiche Therapien auf aktuelle Patienten anzuwenden. Aber jüngere Kollegen haben diese Möglichkeit aufgrund ihrer kürzeren Berufserfahrung nicht. Ein automatischer, KI-basierter Abgleich von ähnlich gelagerten Fällen ist schneller – und auch das Risiko, etwas zu übersehen, wird verringert.

Bei der Planung einer Strahlentherapie beispielsweise geht es nicht nur darum, einen Tumor wirksam zu bestrahlen, sondern auch die Risiken für gesundes Gewebe und benachbarte Organe auszuschließen, die durch die Bestrahlung erkranken könnten. Daher werden alle Organe vor der Strahlentherapie konturiert. Dieses Verfahren ist so aufwändig wie notwendig. Denn das Ergebnis hat hohen Einfluss auf die Planung der Bestrahlung und mögliche Nebenwirkungen. Eine KI-basierte Konturierung, die schnell und exakt ist, erlaubt eine sehr viel genauere Therapieplanung und erzielt damit einen hohen Nutzen für Behandelnde und Patienten gleichermaßen.

 

Der Mediziner als Datenwissenschaftler

Software und KI in den beschriebenen Einsatzbereichen ersetzen aber keineswegs den Mediziner. Sie bereiten Entscheidungen zwar durch die Sammlung und Auswertung von Daten vor – doch zu treffen hat sie der Arzt. So sind viele Programme bereits für den diagnostischen Einsatz zugelassen. Aber sie gelten noch nicht als Best Practice. Der Nachweis der klinischen Wirksamkeit eines zertifizierten und zugelassenen Algorithmus steht derzeit noch aus, wenngleich erste Studien dazu in Arbeit sind.  

Nichtsdestotrotz sind Algorithmen und KI-basierte Software eine große Hilfe im klinischen Alltag. Jedoch erfordern sie von Medizinern mehr als die alleinige Kompetenz, das jeweilige Computerprogramm zu bedienen. Vielmehr müssen sie die Ergebnisse von Computersystemen kritisch einordnen können. Dazu kann es gehören, bestimmte Fehlerbilder von KI-Algorithmen zu erkennen und zu bewerten, um KI als Werkzeug wirksam einzusetzen. Auch hier dient die automatisierte Konturierung eines Organs als Beispiel aus der Praxis: Bei der Nutzung eines Deep Learning-Algorithmus zu diesem Zweck sollte ein Radiologe über die Einflussfaktoren Bescheid wissen, die über das Gelingen und Nichtgelingen der Ausführung entscheiden. Dazu bedarf es eines Verständnisses, wie ein solcher Algorithmus trainiert wird, welche Entscheidungen zum Beispiel bereits bei der Zusammenstellung der Trainingsdaten getroffen wurden und wo damit die möglichen Grenzen der KI liegen. Nur dann können auch die Anwender des Algorithmus ihn auf korrekten Daten ausführen und ihre eigenen Erwartungen entsprechend einordnen.

 

Neue Chancen für Patienten und Ärzte

Daher ist die Einführung von Data Science in das Curriculum des Medizinstudiums ein wünschenswertes Ziel. Es existiert zwar bereits heute das Fach Medizininformatik. Dieses bringt jedoch Informatiker mit profundem medizinischem Hintergrund hervor, die in etwa über ein Wissen aus dem Grundstudium Medizin verfügen. Es mangelt dagegen an dem Blick in die andere Richtung: Insbesondere für Radiologen und Pathologen, die bereits heute intensiv mit digitalen Daten arbeiten, könnten Datenwissenschaften in das Curriculum des Medizinstudiums eingeführt werden. Viele angehende Mediziner haben bereits einen engen Bezug zur Digitalisierung. Sie lernen beispielsweise aus eigener Motivation programmieren, wodurch eine neue Generation von Ärzten entsteht, was wiederum zur Veränderung des Berufsbildes führen könnte. Fortbildungen wie der Data Science Zertifikatskurs der Fraunhofer Academy bilden hier einen Baustein.

Berührungsängste sind dabei unbegründet. Bereits bei der Einführung der Computertomografie gab es Besorgnis unter Radiologen, dass aufgrund der detaillierteren Bilder ihr Wissen womöglich überflüssig würde. Jedoch ist das Gegenteil passiert: Eben weil die Bilder sehr viel mehr als zuvor sichtbar machten, hier konnten die Fachärzte ihr Wissen vergrößern und lernen, die neuen Informationen zu interpretieren. Auch durch die aktuelle digitale Revolution mithilfe von KI werden Abläufe nicht nur beschleunigt. Es öffnen sich auch Räume, die neue Fragen aufwerfen und die es zu beantworten gilt. Die erfordern neue Hypothesen, eine Erweiterung des Wissens und die Betrachtung neuer Fakten. All diese Entwicklungen können zu einer neuen Welle des Wissenszuwachses beitragen, die gleichzeitig Ärzten und Patienten zugutekommt.