Schnellere und sicherere Diagnosen in der Radiologie mit KI

Ein Expertinnenbeitrag von Dr. Sabrina Reimers-Kipping, FUSE AI
Der Begriff „Künstliche Intelligenz“ oder kurz „KI“ ist aktuell in aller Munde. Das Versprechen großer Arbeitserleichterungen in den verschiedensten Berufen, aber auch im Alltag steht im Raum.
Ich persönlich habe die Erfahrung gemacht, dass für die meisten Menschen, die sich nicht professionell mit KI beschäftigen, die Bedeutung jedoch schwer fassbar ist. Viele denken eher an Science Fiction Filme wie „Minority Report“ oder „Terminator“. Die Wirklichkeit sieht jedoch anders aus.
Bevor ich mich der Medizin zuwende, will ich daher kurz beschreiben, welche Art von Problemen heute zuverlässig mit KI gelöst werden. Mathematisch ausgedrückt ist KI ein Oberbegriff für Computerverfahren, die Korrelationen, also Zusammenhänge, in großen Datenmengen aufspüren. Stand heute ist KI im Prinzip Mustererkennung.

Dr. Sabrina Reimers-Kipping studierte Biochemie in Leipzig und promovierte über die genetischen Grundlagen von Sprachentstehung, bevor sie sich in Richtung Wirtschaft orientierte. Sie studierte BWL in Hamburg, sammelte Erfahrung im analytischen Marketing und gründete gemeinsam mit Gleichgesinnten 2017 das KI-Start-up FUSE-AI, das Machine Learning und Deep Learning Verfahren einsetzt, um medizinische Diagnosen zu verbessern.

Gemeinsam mit Gleichgesinnten habe ich in Hamburg das Start-Up FUSE-AI gegründet. Unser Ziel ist es, KI in der Medizin anwendbar zu machen. Wir nutzen die Methoden der Künstlichen Intelligenz, insbesondere von Maschinellem Lernen, um Krankheitsmerkmale in medizinischen Daten aufzuspüren. Damit möchten wir die Qualität der medizinischen Versorgung weiter verbessern.

Da wir uns besonders mit den Methoden der Bildanalyse befassen, ist unser Tätigkeitsschwerpunkt die Radiologie: Hier liegen medizinische Daten als Bilder vor, in denen die ÄrztInnen nach Abweichungen vom gesunden Zustand sucht, beispielsweise nach Prostatakarzinomen oder Knochenbrüchen.

Damit auch künstliche neuronale Netze diese Art der Zusammenhänge erlernen können, müssen sie trainiert werden. Hierfür werden den Modellen große Mengen an medizinischen Bildern mit bekannten Diagnosen präsentiert. Nach abgeschlossenem Training ist das Computerprogramm in der Lage, unbekannte Fälle richtig zu beurteilen.

Dabei möchte ich auf zwei wichtige Punkte hinweisen. Damit künstliche neuronale Netze gute Ergebnisse liefern, wird für das Training eine große Anzahl qualitativ hochwertiger Daten mit bekannten und von ExpertInnen abgesicherten Diagnosen benötigt. Im Prinzip ist das Training mit der Ausbildung einer AssistenzärztIn vergleichbar. Auch die junge ÄrztIn verbessert durch das Beurteilen vieler Fälle und dem Feedback erfahrener Kolleginnen und Kollegen ihre Diagnosekompetenz.
Der zweite Aspekt ist, dass für jede Diagnoseaufgabe ein eigenes Modell entwickelt und trainiert werden muss.

Daher gehen wir davon aus, dass es in Zukunft ganz unterschiedliche Assistenzsysteme für Radiologinnen und Radiologen geben wird. Sie werden bei einer Vielzahl verschiedener diagnostischer Fragestellungen unterstützen. Aber auch für die gleiche Indikation werden unterschiedliche Produkte angeboten werden. Die Assistenzsysteme werden sich in ihren Produkteigenschaften voneinander abgrenzen, beispielsweise wie schnell, sicher oder günstig die Analysen möglich sind, wie gut das Tool in den Workflow integrierbar ist oder welche interessante Zusatzanwendungen verfügbar sind.

Die Verwendung intelligenter Assistenzsysteme bringt jedenfalls klare Vorteile mit sich. Im Gegensatz zu Menschen werden Computer nicht müde oder unaufmerksam. Somit sind sie bei Routinefällen bestens geeignet, die ÄrztIn zu entlasten. Auf die menschliche Intelligenz verzichten können und wollen wir trotzdem nicht: denn insbesondere bei außergewöhnlichen Fällen wird das künstliche System an seine Grenzen stoßen. Daher ist klar, dass Diagnosen dann sicherer werden, wenn ÄrztIn und Künstliche Intelligenz Hand in Hand arbeiten. Die Software soll den Radiologinnen und Radiologen unterstützen und nicht ersetzen.
Die Vorteile von sichereren Diagnosen für Patientinnen und Patienten liegen auf der Hand: Die Wahrscheinlichkeit, Krankheiten früh zu erkennen und zu behandeln steigt. Dadurch nehmen auch die Heilungschancen zu. Gleichzeitig werden falsch-positive Befunde seltener. Für Patientinnen und Patienten sind die auf einen falschen Alarm folgenden Untersuchungen und die damit verbundene Unsicherheit sehr belastend.

 

Die hier veröffentlichten Inhalte und Meinungen der Autorinnen und Autoren entsprechen nicht notwendigerweise der Meinung des Wissenschaftsjahres 2019 – Künstliche Intelligenz.

Metadaten zu diesem Beitrag

Mehr zum Themenfeld:

Schlagworte zu diesem Beitrag: