Aus dem Forschungslabor Folge 49
Messerscharfe KI-Assistenz
Veröffentlicht in Ausgabe 01/2023 - RUBRIKEN
Vielen medizinischen Techniken ist gemein, dass jede Menge Daten anfallen. Sie automatisch zu analysieren und zu visualisieren, ist laut Dr. Christina Gillmann, Informatikerin an der Universität Leipzig, ein wichtiger Schritt auf dem Weg zur personalisierten Medizin – ein Bereich, der in den letzten Jahren stark an Bedeutung gewonnen hat.
Möglich machen das KI-Verfahren wie das maschinelle Lernen und neuronale Netzwerke. Sie lernen anhand von Daten dazu, mit denen sie trainiert beziehungsweise "gefüttert" werden. Zum Beispiel aus CT-Bilddaten, die ein Arzt zuvor bearbeitet hat. Auf diese Weise fließen technische Informationen, aber auch medizinische Erfahrung ein. Dabei gilt: Je mehr Daten diese Verfahren auswerten können, desto besser sehen die Ergebnisse aus.
Hoher Trainingsaufwand
Solche Technologien könnten in ein paar Jahren im Klinikalltag zum Einsatz kommen, um etwa personalisierte Diagnosen und Therapien zu ermöglichen. Allerdings stecken sie noch in den Kinderschuhen. Denn es gilt, jeden medizinischen Fall einzeln zu trainieren. "Die Daten müssen vorab einzeln aufbereitet werden, was sehr aufwändig ist", benennt Robin Maack aus der Arbeitsgruppe "Computer Graphics and Human Computer Interaction" an der Technischen Universität Kaiserslautern als Problem. Dazu müssen Ärzte beispielsweise bei jedem medizinischen Fall die Daten einzeln labeln. Das bedeutet etwa, wenn ein Netzwerk trainieren soll, einen Tumor automatisch zu erkennen, müssen bei hunderten Bildern mit bekannten Tumoren diese per Hand eingezeichnet werden, damit das neurale Netzwerk eine Grundlage hat, mit der es lernen kann.
Vielen medizinischen Techniken ist gemein, dass jede Menge Daten anfallen. Sie automatisch zu analysieren und zu visualisieren, ist laut Dr. Christina Gillmann, Informatikerin an der Universität Leipzig, ein wichtiger Schritt auf dem Weg zur personalisierten Medizin – ein Bereich, der in den letzten Jahren stark an Bedeutung gewonnen hat.
Möglich machen das KI-Verfahren wie das maschinelle Lernen und neuronale Netzwerke. Sie lernen anhand von Daten dazu, mit denen sie trainiert beziehungsweise "gefüttert" werden. Zum Beispiel aus CT-Bilddaten, die ein Arzt zuvor bearbeitet hat. Auf diese Weise fließen technische Informationen, aber auch medizinische Erfahrung ein. Dabei gilt: Je mehr Daten diese Verfahren auswerten können, desto besser sehen die Ergebnisse aus.
Hoher Trainingsaufwand
Solche Technologien könnten in ein paar Jahren im Klinikalltag zum Einsatz kommen, um etwa personalisierte Diagnosen und Therapien zu ermöglichen. Allerdings stecken sie noch in den Kinderschuhen. Denn es gilt, jeden medizinischen Fall einzeln zu trainieren. "Die Daten müssen vorab einzeln aufbereitet werden, was sehr aufwändig ist", benennt Robin Maack aus der Arbeitsgruppe "Computer Graphics and Human Computer Interaction" an der Technischen Universität Kaiserslautern als Problem. Dazu müssen Ärzte beispielsweise bei jedem medizinischen Fall die Daten einzeln labeln. Das bedeutet etwa, wenn ein Netzwerk trainieren soll, einen Tumor automatisch zu erkennen, müssen bei hunderten Bildern mit bekannten Tumoren diese per Hand eingezeichnet werden, damit das neurale Netzwerk eine Grundlage hat, mit der es lernen kann.
Hinzu kommt, dass es keine einheitlichen Schnittstellen gibt, mit denen sich trainierte Netzwerke laden und nutzen lassen. Auch bei Unsicherheiten in den Datenlagen – sei es bei Trainingsdatensätzen oder bei den verwendeten Modellen – gibt es keine standardisierten Vorgaben, wie Mediziner damit umgehen sollen.
Solche Unsicherheiten treten zum Beispiel bei Läsionen auf. Dabei handelt es sich um bestimmte Bereiche im Gehirn, die bei einem Schlaganfall durch den Verschluss von Gefäßen nicht mehr ausreichend oder gar nicht mit Sauerstoff versorgt werden. Sie sind nicht mehr leistungsfähig. Der Kern der Läsion ist oft gut zu erkennen, am Rand gibt es jedoch meist keine klare Abgrenzung und Regionen, bei denen sich selbst Ärzte nicht einig sind, ob sie nun als Läsion zu klassifizieren sind oder nicht. Letztendlich braucht es hier die medizinische Erfahrung, wie damit umzugehen ist.
Unsicherheiten visualisieren
Hier setzt die Arbeit von Gillmann und Maack an. Das Team um die beiden entwickelt derzeit ein einheitliches System, um medizinische Bilddaten zu verarbeiten, auszuwerten und deren Unsicherheiten zu visualisieren. Es trägt den Namen GUARDIAN, zu Deutsch Hüter. Ihre Technik gestalten die Forscher so, dass sie einfach in der Handhabung ist. Hier können Kliniken zum Beispiel ihre trainierten neuralen Netze laden und diese mit zur Verfügung gestellten aufbereiteten Daten kombinieren, etwa bei Aufnahmen zu einem Schlaganfall.
Das System wertet die Daten aus und visualisiert die Ergebnisse. Das geschieht automatisch, ohne dass IT-Kenntnisse notwendig sind. Zudem zeigt die Technik die Unsicherheiten an. Das heißt, die Ärzte können sich diese noch einmal anschauen und bei Bedarf gemeinsam eine Entscheidung treffen, was zum Beispiel im Einzelfall die beste Behandlung ist. Das System steht als Open-Source-Anwendung frei zur Verfügung.