Herkömmliche medizinische Bildgebungslösungen erfordern viel Zeit und Mühe von Radiologen. In einer Umfrage von McKinsey gaben 90% der befragten Radiologen an, dass ihre Arbeitsbelastung in den letzten drei Jahren zugenommen hat. Ermüdete Ärzte machen viel wahrscheinlicher Fehler, die Patienten und dem Gesundheitssystem im Allgemeinen schaden und den Ruf der Klinik schädigen. Folglich suchen Krankenhausleiter nach einer Möglichkeit, das Wohlbefinden der Ärzte und die Krankenhausausgaben in Einklang zu bringen.
IT-Anbieter nutzen diese Chance und entwickeln AI-Lösungen, die Radiologen bei der Diagnose unterstützen. Diese AI-basierten medizinischen Bildanalysetools können verschiedene Störungen bereits im Frühstadium erkennen, das Risiko von Krebs und neurologischen Erkrankungen vorhersagen und Ärzten die Möglichkeit geben, vorbeugende Behandlungen zu verschreiben. Mit solchen Tools können Radiologen Zeit sparen und ihr Vertrauen bei Entscheidungen stärken.
Die globale Markt für AI in der medizinischen Bildgebung wurde 2018 auf 21,48 Mrd. USD geschätzt. Im Jahr 2026 wird er voraussichtlich 264,85 Mrd. USD erreichen, mit einem durchschnittlichen jährlichen Wachstum von 36,89%. Trotz wachsenden Ausgaben und offensichtlichen Vorteile führen Gesundheitseinrichtungen AI nur langsam ein.
Warum vermeiden radiologische Zentren den Einsatz von AI? Werden AI-Möglichkeiten unterschätzt? Oder ist AI weniger überzeugend bei der Diagnose?
AI-Einsatzmöglichkeiten in der medizinischen Bildgebung
“Die Daten, die uns zur Verfügung stehen, werden immer umfangreicher. Und künstliche Intelligenz wird ein Verfahren sein, das uns wie ein Werkzeug hilft, mit dieser Information in kürzerer Zeit und mit höherer Präzision umzugehen.”
Prof. Heinz-Peter Schlemmer, Radiologe am DKFZ, Heidelberg
AI kann in mehreren Bildgebungsverfahren eingesetzt werden und beim Identifizieren von Anomalien in verschiedenen Teilen des menschlichen Körpers helfen.
Brustkrebs-Screening
Laut Statista entfielen 2018 die meisten Krebsneuerkrankungen EU-weit auf Brustkrebs mit rund 404.900 neuen Fällen. Auch wenn falsch positiven Befunden in Europa relativ selten sind, verursachen sie bei Patienten unnötige Angstzustände und sogar medizinische Eingriffe. Um diese negativen Effekte zu verringern, versuchen sowohl Forscher als auch praktizierende Radiologen die Interpretationsverfahren von Mammographien zu verbessern. Hier kann AI von großem Nutzen sein.
AI und Radiologen arbeiten in Synergie
Forscher von Google Health und DeepMind in Kooperation mit dem Krebsforschungszentrum der Northwestern University und dem Royal Surrey County Hospital untersuchen, wie die AI bei der Krebserkennung in Mammographien helfen kann. Das Team verglich Diagnosen, die von Radiologen und AI gestellt wurden. An der Studie nahmen 26.000 Frauen aus dem Vereinigten Königreich und 3.000 aus den USA teil.
AI verringerte falsch-positive Ergebnisse um 5,7% bei den Amerikanerinnen und um 1,2% bei den britischen Frauen sowie falsch negative Ergebnisse um 9,4% in den USA und 2,7% in Großbritannien. AI-Algorithmen identifizierten einige Krebsindikatoren, die von den Radiologen übersehenen wurden. Die Radiologen entdeckten jedoch auch Krebsanzeichen, die der Algorithmus nicht erfasst hat. Diese Ergebnisse bestätigen, dass AI im Moment eher als ein unterstützendes Instrument geeignet ist und kann keine Radiologen ersetzen.
AI-basierte Krebsprognose
Die Erkennung von Patienten mit einem hohen Krebsrisiko hat viele Vorteile. Dadurch können Gesundheitsdienstleister Vorsorgeuntersuchungen personalisieren, um Krebs im Frühstadium zu erkennen, sowie ihre Kosten senken, da häufige Mammographien nur den Frauen angeboten werden, die sie benötigen.
In einer anderen Studie trainierte Regina Barzilay vom Massachusetts Institute of Technology Künstliche Intelligenz, Patienten zu identifizieren, die an Krebs erkranken werden könnten. Zunächst verglich sie 89.000 Mammographien mit dem nationalen Tumorregister. Als nächstes trainierte sie einen ML-Algorithmus an einer Gruppe dieser Bilder und testete die Fähigkeit des resultierenden Modells, Krebs vorherzusagen. Die Prognose war in 31% der Fälle richtig. Diese Zahl ist signifikant höher im Vergleich zu der 18%igen Vorhersagegenauigkeit des Standardmodells von Tyrer-Cuzick, das aktuell von Radiologen zur Krebsprognose verwendet wird.
Hirntumore erkennen
Mit herkömmlichen Methoden dauert es lange, bis ein Hirntumor entdeckt wird. Die Diagnose erfordert ein pathologisches Labor und großen Zeitaufwand für die traditionelle Verarbeitung, Färbung und Bildinterpretation.
Michigan Medicine löste dieses Problem durch ein SRH (Stimulated Raman Histology)-Verfahren, mit dem Hirngewebebilder in weniger als 2,5 Minuten ohne die üblichen Verarbeitungsschritte erstellt werden können. Später haben die Forscher diese Methode mit AI-Funktionen verbessert. Sie trainierten ein Convolutional Neural Network (CNN) auf 2,5 Millionen Scans, die durch das SRH erhalten wurden, um zehn der häufigsten Hirntumortypen zu identifizieren. Beim Testen des trainierten Algorithmus verglich das Team dessen Leistung mit der Leistung von Pathologen, die konventionell gefärbte und bearbeitete Scans beurteilen.
Der CNN-basierte Algorithmus lieferte 94,6 % Genauigkeit im Vergleich zu 93,9 %, die mit der konventionellen Histologie erreicht wird. Wie im vorherigen Beispiel entdeckten Pathologen Tumore, die vom CNN falsch klassifiziert wurden, und umgekehrt.
"Dies ist die erste prospektive Studie, die den Einsatz der AI im Operationssaal evaluiert. Wir haben die klinische Übersetzung eines AI-basierten Arbeitsablaufs durchgeführt".
Todd Hollon, Chief Neurosurgical Resident bei Michigan Medicine.
AI in traditionellen SRH-Verfahren verkürzt die Erstellung und Auswertung von Hirnbildern. Dies verbessert die Entscheidungsfindung während der Operation und unterstützt Krankenhäuser mit dem Mangel an ausgebildeten Neuropathologen durch fachkundige Einblicke.
Neurologische Anomalien erkennen
Alter ist der größte Risikofaktor für Demenzerkrankungen. 2016 lag die Anzahl der Demenzkranken in Deutschland bei 1,63 Millionen – rund zwei Drittel von ihnen hatten Alzheimer. Laut einer Prognose der Deutschen Alzheimer Gesellschaft könnte sich diese Zahl bis zum Jahr 2050 verdoppeln. Der alarmierende Trend ist auch bei anderen Erkrankungen des Zentralnervensystems wie Parkinson, Schlaganfall, Epilepsie, Depression, Angststörungen oder multiple Sklerose zu beobachten.
Ein wichtiges Element der Multiplen Sklerose (MS) sind Läsionen (Verletzungen) im Gehirn, diese können mittels MRT erkannt werden. Aber Anzahl, Lokalisation und Größe der Läsionen manuell zu vermessen, ist zeitlich aufwendig und nicht praktisch. Mit Künstlicher Intelligenz kann der Prozess automatisiert werden.
An der Klinik für Psychiatrie und Psychotherapie Charité werden Convolutional Neural Networks (CNN) eingesetzt. Bei CNN handelt es sich um tiefe neuronale Netzwerke, die in der Lage sind, Daten hierarchisch zu zerlegen und bildbasierte Differentialdiagnostik zwischen verschiedenen Formen von Demenz zu machen. Das Team hat ein transparentes Deep-Learning-Verfahren entwickelt, das anhand von MRT-Bildern nicht nur neurologische Erkrankungen diagnostizieren, sondern auch den Algorithmus dieser Diagnostizierung erklären kann.
“Hier haben wir gezeigt, dass CNN-Modelle vortrainiert auf Alzheimer-Daten sehr gut auf Daten von Patienten mit MS angepasst werden können und dass sie nicht nur Entzündungsherde in die Entscheidungsfindung miteinbeziehen, sondern auch die Lokalisation der Entzündungsherde und unauffällige Hirnareale.”
Prof. Dr. Kerstin Ritter, Charité Berlin
Ein weiteres Beispiel, wie man KI an der Charité einsetzt, ist die optische Kohärenztomographie (OCT). Die Netzhaut - ein Teil des zentralen Nervensystems - verändert sich bei neurologischen Erkrankungen. Die hochauflösende Scans des Augen reichen, um kleine Zellverbände darzustellen. Mit der OCT-Netzhautaufnahme lässt sich der weitere Krankheitsverlauf bei neu diagnostizierten Patienten mit MS besser vorhersagen.
Diabetische Retinopathie erkennen
Diabetische Retinopathie (DR) ist eine Folgeerkrankung, die sich bei jedem an Typ-1- oder Typ-2-Diabetes Leidenden entwickeln kann. Zuerst merken Patienten keine Symptome oder nur leichte Sehstörungen, mit der Zeit kann DR aber zu Blindheit führen. In Deutschland gibt es rund 7 Millionen Menschen mit Diabetes, jedes Jahr erblinden 2.000 von denen. Außerdem kann diese Erkrankung nicht von einem Primärversorger diagnostiziert werden, bevor sich die Sehkraft verschlechtert. Auch wenn Diabetiker ihre Sehkraft regelmäßig überprüfen, kann die DR enorm voranschreiten, bevor sie sich auf die Sehkraft auswirkt. Die Früherkennung dieses Zustands ist für die Schadensminderung unerlässlich.
Google und Verily entwickeln gemeinsam ein Gerät zur automatischen Diagnose der diabetischen Retinopathie mittels AI. Der AI-Algorithmus wurde im Aravind Eye Hospital in Indien getestet, wo täglich mehr als 2.000 Patienten ankommen. Für die Diagnose müssen Patienten in die Kamera mit dem integrierten AI-Algorithmus schauen. Das Gerät wird von einem Techniker bedient und erfordert keinen Arzt. Der Nachteil ist, dass Patienten mit Grauem Star mit diesem System keine genaue Diagnose der diabetischen Retinopathie erhalten können.
Ein anderes Beispiel ist Evolucare Imaging OphtAI (EIO), eine Lösung zur Früherkennung der diabetischen Retinopathie. Sie basiert auf einem AI-Algorithmus und einer Imaging-Workflow-Lösung von Evolucare. EIO sendet Netzhautbilder in die Cloud über gesicherte Kommunikationskanäle zur Analyse erhält Ergebnisse in weniger als 3 Sekunden.
Warum Krankenhäuser wenig Vertrauen in AI haben
Forscher erwarten, dass AI die medizinische Bildgebung revolutionieren wird. Doch trotz der ersten Erfolge und vielversprechenden Ergebnisse klinischer Forschungsprojekte währen sich die Krankenhäuser immer noch gegen eine breite Einführung der AI.
Radiologen sind weniger begeistert von der Arbeit mit AI
Laut einer Umfrage von McKinsey & Company sind die Radiologen selbst das größte Hindernis für die Einführung von AI in größerem Maßstab. Sie sind skeptisch hinsichtlich der Diagnosefähigkeit von AI-Algorithmen. Zudem fehlen verbindliche ethische Richtlinien.
In einer Umfrage unter den Mitgliedern der Europäischen Gesellschaft für Radiologie wünscht sich die Mehrheit der Befragten, dass die rechtliche Verantwortung entweder unter den beteiligten Parteien aufgeteilt wird oder den Radiologen allein obliegt.
Darüber hinaus sind einige Radiologen fürchten, durch AI-Algorithmen ersetzt zu werden, wenn sie mit diesen Algorithmen arbeiten und sie verbessern.
Ethische Fragen im Zusammenhang mit Patientendaten
- Datenschutz und Anonymität: Dank DSGVO haben Patienten die volle Kontrolle über ihre Daten. Um AI mit medizinischen Bildern zu trainieren, brauchen Forscher ausdrückliche Zustimmung von Patienten. Wenn Patienten sich zur Teilnahme bereit erklären, müssen ihre Daten vollständig anonymisiert werden. Eine weitere interessante Frage: Wenn ein Unternehmen Patientendaten zur Vermarktung seiner AI-Produkte verwendet, haben diese Patienten dann Anspruch auf eine finanzielle Entschädigung?
- Verzerrung von Daten: Verzerrungen treten auf, wenn Daten, die für das Training von KI-Algorithmen verwendet werden, nur eine bestimmte Gruppe von Leuten widerspiegeln und nicht die gesamte Population. Beispielsweise sind Minderheiten oft unterrepräsentiert. Das bedeutet, dass Radiologen bei der Untersuchung von farbigen Leuten genauer hinschauen müssen, wenn Krankenhauspatienten überwiegend Weiße sind. Auch bei Männern und Frauen gibt es diagnostisch häufig große Unterschiede - das ist allerdings auch ein Problem, wenn Ärzte Diagnosen fällen. Die Datenlage ist hierzu generell schlecht.
Wie wird die Einführung von AI in der medizinischen Bildgebung beschleunigt
Um den Einsatz von AI-Lösungen in der medizinischen Bildgebung zu beschleunigen, müssen Entwickler, Forscher, Radiologen und Krankenhausleiter zusammenarbeiten.
Geeignete Methoden für die gemeinsame Datennutzung ausarbeiten
Die Leistung von AI-Algorithmen hängt von der Qualität und Vielfalt der Trainingsdatensätze ab. Forscher sollten mit Kliniken zusammenarbeiten, um Datensätze mit Annotationen und Metadaten vorzubereiten. Wenn die gemeinsame Nutzung von Datensätzen unmöglich ist, wäre ein temporärer Trainingszugang eine weitere Option, bei dem die Daten in der Firewall des Krankenhauses verbleiben.
Umfassende Datensätze für das Algorithmentraining verwenden
Bei der Vorbereitung von Trainingsdatensätzen müssen Forscher Datenverzerrungen und Probleme berücksichtigen, die in den oben geschriebenen Abschnitten erwähnt wurden. Die Daten müssen die Bevölkerung und die Bedingungen repräsentieren, die im untersuchten Gebiet üblich sind.
Ein weiterer wichtiger Aspekt ist der Abgleich der Daten mit negativen und positiven Diagnosen. Wenn Sie AI trainieren, um Lungenkrankheiten zu erkennen, muss Ihr Datensatz die gleiche Menge an gesunden Lungenröntgenbildern und Scans enthalten, die Ihr System erkennen soll.
Radiologen über die Rolle der AI aufklären
Krankenhausmanager müssen sich darüber im Klaren sein, welche Rolle sie der AI in ihrem Krankenhaus zumessen. Betonen Sie in Gesprächen mit Radiologen, dass AI einfach nur ein weiteres Werkzeug in ihrem Arsenal ist und sie nicht ersetzen wird.
Selbst Geräte, bei denen keine menschliche Eingriffe erforderlich sind, werden Radiologen nicht ausschließen. Sie stellen nur eine Erstdiagnose. Wenn sie Anomalien entdecken, sind Menschen diejenige, die sie bestätigen und die Behandlungsstrategie verschreiben.
Fazit
AI-basierte Bildverarbeitung hat viele Use Cases und Vorteile für das Gesundheitssystem. Die Gesundheitseinrichtungen drängen allerdings nicht auf die Einführung von AI in ihre Praxis. Einige AI-Lösungen haben Versprechungen nicht einlösen können. Viele Ärzte lehnen sie ab. Damit AI-Lösungen besser werden, müssen sie aber trainiert werden: Deshalb ist wichtig, dass alle Gesundheitsanbieter und AI-Anbieter Hand in Hand arbeiten. Ein gut durchdachtes AI-Programm kann aber schon heute eine gute Unterstützung sein - für Erstdiagnose, Feindiagnostik oder als “zweite Meinung”.
