KI, die Kreative Intelligenz jetzt in der neuesten Folge SMART&nerdy! Podcastfolge #23.
KI, die Kreative Intelligenz jetzt in der neuesten Folge SMART&nerdy! Podcastfolge #23.
Jörg Aumüller, Siemens Healthineers
Siemens Healthineers nutzt KI, um Gesundheitsversorger weltweit dabei zu unterstützen, sich für die Trends der Branche zu rüsten – und vertritt dabei eine führende Position: Mehr als 400 Patente im Bereich des maschinellen Lernens, 100 Patente im Bereich Deep Learning und über 30 KI-basierte Anwendungen ebnen den Weg zu einer intelligenten Datennutzung und einer verbesserten Versorgung für Patienten.
Die rasante technologische Entwicklung fordert die Gesundheitsbranche zum Handeln heraus. Mit der fortschreitenden Digitalisierung wird das Fundament der Branche komplett neu gelegt. Eine besondere Rolle spielt dabei die Künstliche Intelligenz. Sie unterstützt Gesundheitsversorger weltweit, die Medizin nachhaltig werteorientiert zu gestalten.
Steigende Patientenzahlen, schrumpfende Erstattungssätze und zunehmend ergebnisorientierte Vergütungsmodelle – die Gesundheitsbranche befindet sich im Wandel. Eine der größten Veränderungen in der Medizin: die Digitalisierung. Sie bringt veränderte regulatorische Anforderungen, Kostendruck und steigende Kundenerwartungen mit sich. Doch gleichzeitig bietet dieser technologische Fortschritt ungeahnte Möglichkeiten: Das Stichwort heißt KI – eine Technologie, ermöglicht durch exponentiell ansteigende Rechenleistung, enorme Speicherkapazität und zunehmende Vernetzung. Richtig aufgesetzt, unterstützt KI den Radiologen schon heute bei Bildaufnahme, Diagnose und Therapie, reduziert Kosten und schafft mehr Patientennähe. Bis ein Algorithmus in der Radiologie allerdings als digitaler Assistent einen Mehrwert stiften kann, muss er mit einer Vielzahl an annotierten Daten trainiert werden. Diese können zum Beispiel Zusatzinformationen sein, die der Radiologe bei der Aufnahme eines Bildes eingibt. Während der Lernphase abstrahiert das System die vorhandenen Daten. Es lernt demnach nicht einfach die Beispiele auswendig, sondern erkennt Muster und Gesetzmäßigkeiten in den Trainingsdaten. So kann es auch unbekannte Datensätze beurteilen. Die nächste Stufe des maschinellen Lernens ist das Deep Learning. Inspiriert von neuronalen Netzen im menschlichen Gehirn, nutzen Informatiker diesen Mechanismus, um komplexe Daten über künstliche neuronale Netze zu interpretieren. Der Algorithmus wird in der Trainingsphase so lange trainiert und nachjustiert, bis er das optimale Ergebnis hervorbringt.
In der Radiologie können mithilfe von Deep Learning-Algorithmen und leistungsstarker Software anatomisch zusammengehörende Strukturen – das Herz, die Hauptschlagader oder die Lunge – ohne aufwändige, manuelle Bildbearbeitung automatisch erkannt, freigestellt und fotorealistisch dargestellt werden. Selbst komplexe Daten werden so in eine leicht verständliche Bildsprache konvertiert, die besonders für die Kommunikation mit Patienten einen großen Vorteil birgt. Je mehr Trainingsdaten vorliegen, desto besser kann das System das Problem generalisieren und desto präziser wird das Ergebnis. Hochwertige Bilddaten, Laborwerte sowie pathologischen und radiologische Befunde sind also die treibende Kraft dieses Fortschritts. Die Datenbank von Siemens Healthineers beispielsweise umfasst derzeit bereits mehr als 300 Millionen kuratierte Bilder, Berichte, klinische und operative Daten.
Das Royal College of Radiologists führt jährlich Befragungen aller radiologischen Abteilungen des National Health Services in Großbritannien durch. Zwischen 2013 und 2016 erfasste die Organisation einen Anstieg an Computertomographien (CT) und Magnetresonanztomographien (MRT) um mehr als 30 Prozent – dreimal so viel wie das Beschäftigungswachstum der Radiologen. Der gleiche Bericht zeigt, dass nur drei Prozent der radiologischen Abteilungen in Kliniken in der Lage sind, all ihre Patientenscans innerhalb der normalen Arbeitszeit zu bewältigen. Eine weitere Studie ergab, dass die Fehlerquote der teilnehmenden Radiologen bei einer durchschnittlichen Interpretationszeit von zehn Minuten und neun Sekunden bei zehn Prozent lag. Als sie einen ähnlichen Satz CT-Aufnahmen in der Hälfte der Zeit interpretieren sollten, stieg die Fehlerquote auf 26,6 Prozent. Damit Gesundheitsversorger trotz Fachkräftemangel eine konsistente Diagnose sicherstellen und konkurrenzfähig bleiben können – unabhängig vom Patienten, Anwender oder demjenigen, der das Bild beurteilt – sind intelligente Algorithmen ein wichtiger Erfolgsfaktor. Gerade bei der Interpretation von Routineaufnahmen mit niedrigen Erstattungssätzen, kann KI seinen Nutzen voll ausspielen und dem Radiologen Freiraum für die Beurteilung komplexerer Fälle schaffen. Ein typischer Routinefall ist die Thorax- Aufnahme. Etwa 35 Millionen dieser Aufnahmen werden alleine in den USA jährlich erstellt. Damit gehört der Brustkorb zu einer der meist gescannten Körperregionen. Die Rückvergütung hingegen beläuft sich auf wenige Dollar. Die Lösung: der intelligente Assistent, der dabei unterstützt, das Material schneller zu interpretieren – ohne aufgrund von Zeitdruck etwas zu übersehen. In der Praxis wird das System auf unzähligen multimodalen Thorax- Aufnahmen trainiert, so lange bis es die Anatomie des Brustkorbs automatisch segmentieren und charakterisieren kann. Das künstliche neuronale Netzwerk ist dann fähig, Anomalien auf unbekannten Datensätzen zu erkennen und sie für den Radiologen hervorzuheben. So kann es beispielsweise eine Raumforderung in der Lunge detektieren und vermessen sowie die Entwicklung im Vergleich zu einem vorherigen Scan automatisch ermitteln. Auf dieselbe Weise identifiziert und charakterisiert es auch Verkalkungen und Plaques in den koronaren Arterien. Für Radiologen stellen Brustkorbaufnahmen eine besondere Herausforderung dar, weil diese Bilder viele Informationen beinhalten. Während der Radiologe eine solche Aufnahme nur unter dem Blickwinkel seiner eigenen Erfahrungen und Krankheitsvermutungen begutachten kann, berücksichtigt der Algorithmus alle Bereiche des Brustkorbs gleichermaßen. Dadurch kann er den Radiologen auf Zufallsbefunde aufmerksam machen und senkt seine Fehlerquote in engen Zeitfenstern.
KI-Lösungen können den klinischen Prozess auch in anderen Bereichen unterstützen. Während der Scan-Vorbereitung für eine Computertomographie zum Beispiel. Mithilfe eines automatisierten Ablaufs unterstützt KI dabei, zuverlässige und konsistente Bilder zu erzeugen – unerwünschte Variationen können damit reduziert werden. Auf Anhieb gut lesbare Bilder zu erzeugen bedeutet kostspielige Wiederholungs- Scans vermeiden zu können. Das spart Zeit für alle Beteiligten. Patienten haben zudem den großen Vorteil, dass ihnen eine zusätzliche strahlenbelastete Untersuchung erspart bleibt. Dieser KI-basierte Ablauf hilft den medizinischen Assistenten dabei, die richtigen Bereiche mit der richtigen Strahlendosis zu scannen. Der Schlüssel hierzu ist eine hochmoderne 3D-Kamera, die direkt am Computertomographen angebracht ist. Die Kamera zeichnet die Form, Position und Größe des Patienten dreidimensional auf und verwendet auch Infrarot, um die Konturen des Körpers zu erfassen. Intelligente Algorithmen nutzen die Daten zur präzisen Positionierung des Patienten, indem sie den richtigen Körperbereich, die Scanrichtung und die isozentrische Positionierung in der Gantry, der Scan-Einheit des Systems, einstellen.
Doch nicht nur Bilder können als Grundlage für Algorithmen dienen. Die Früherkennung von Prostatakrebs durch multiparametrische Magnetresonanztomographie macht deutlich, wie KI die Analyse von Daten aus mehreren Quellen verbessern kann – beispielsweise Bilder mit unterschiedlichen Kontrasten, welche jeweils unterschiedliche Gewebeeigenschaften wie Morphologie, Zelldichte oder physiologische Funktion abdecken. In diesem Fall werden künstliche neuronale Netze auf die funktionelle Wechselbeziehung der multiplen Bildeingaben mit den Berichten von Radiologen sowie zusätzlichen klinischen Daten wie Biopsie- Ergebnissen trainiert. Ein breites Spektrum an Details kann zusammen ausgewertet werden. In Zukunft werden virtuelle Asisstenten nicht nur dazu beitragen können, Prostataveränderungen aufzuzeigen, sondern auch deren Verdacht auf Malignität, also Bösartigkeit, zu beurteilen. Auf diese Weise wird das System Radiologen bei der individuellen Risikobewertung von Prostatakrebspatienten assistieren. Gleichzeitig baut ein solcher Assistent eine Brücke zwischen erfahrenen Radiologen sowie Berufseinsteigern und unterstützt so eine konsistente Diagnose. Die smarten Algorithmen können auch direkt bei der Therapie unterstützen – so gibt es bereits KI-gestützte Behandlungsmethoden, die zum Beispiel bei der Konturierung der gefährdeten Organe vor einer Strahlentherapie für mehr Präzision sorgen.
