Radiologie: maschinelles Lernen zur Unterstützung der Befundung

Im Interview mit MEDICA.de spricht Prof. Stefanie Remmele darüber, wie Algorithmen in der Radiologie zum Einsatz kommen können, wie sie die Befundung von Bildern erlernen und welche Rolle sie heute schon in der Medizintechnik spielen.

Frau Prof. Remmele, unter Ihrer Leitung haben Studenten der Hochschule Landshut kürzlich in einem Forschungsprojekt untersucht, wie lernende Algorithmen Radiologen im Alltag unterstützen können. Was war der Hintergrund dieses Projektes?

Prof. Stefanie Remmele: Das Projekt geht auf ein Gespräch mit Prof. Andreas Lienemann, einem Radiologen der Landshuter Radiologie Mühleninsel, zurück. Er wies auf verschiedene Veröffentlichungen hin, nach denen lernende Algorithmen Bilder in manchen Applikationen schon so sicher klassifizieren könnten wie Ärzte. Davon könnten Radiologen sehr gut in ihrer täglichen Arbeit profitieren, zum Beispiel wenn es gelänge, Normalbefunde von krankhaften Befunden automatisch zu unterscheiden.

Dabei ist erwähnenswert, dass derartige Algorithmen bis jetzt nur auf universitären Bilddatensätzen trainiert wurden. Diese sind hinsichtlich des Krankheitsbildes und der Bildparameter wie Kontrast und Auflösung in der Regel sehr homogen. Bei einer der eben genannten Studien unterscheidet ein Algorithmus zum Beispiel sehr gut zwischen Daten von Alzheimer-Patienten und Normalbefunden, das heißt es gab in der Studie und für das Training nur diese zwei Arten von Daten. Außerdem werden für solche Studien Bildgebungsprotokolle festgelegt und über den Verlauf der Studie nicht verändert, damit die Daten vergleichbar sind. Variation in den Daten entsteht so nur durch das Krankheitsbild. Wir sind einen Schritt weitergegangen, indem wir Daten aus dem tatsächlichen Ablauf einer radiologischen Praxis verwendet haben, in denen alle möglichen Befunde und Protokolle vorkommen. Hier treten also sehr viele Variationen auf, mit denen ein Algorithmus auch umgehen können muss.

Wie war der Ablauf des Projekts?

Remmele: Zu Beginn haben wir durch Befragung der Radiologen und gezielte Suchabfragen auf ihrem Radiologieinformationssystem anatomische Regionen mit einem besonders hohen Normalbefundanteil recherchiert. Daraufhin haben wir uns auf die Anwendung Schädel festgelegt. Das ist nicht nur die häufigste CT- und dritthäufigste MR-Untersuchung, hier sind auch weit über 20 Prozent aller Befunde radiologisch unauffällig. Es wäre also ein wesentlicher Zeitvorteil, wenn man Radiologen hier eine Workflowunterstützung bietet. Anfang 2017 hat uns die Radiologie knapp 400 Datensätze von Schädel-MRT-Aufnahmen aus der Radiologie exportiert und die Firma Cerner Deutschland GmbH hat uns die Archiv- und Befundungs-IT, wie sie in der Radiologie steht, zur Verfügung gestellt. Bis Mitte 2017 haben wir zwei Plattformen aufgebaut, mit denen wir die beiden wichtigsten Ansätze zur Klassifizierung radiologischer Daten für die weitere Forschung umsetzen konnten. Alle Recherchen und Arbeiten beruhen auf Abschluss- und Projektarbeiten meiner Studenten.

Wie arbeitet denn so ein Algorithmus?

Remmele: Der konventionelle Ansatz ist die direkte Umsetzung dessen, was ein Radiologe macht, wenn er sich Bilder ansieht. Das heißt, sowohl das Auge des Radiologen als auch der Algorithmus segmentieren aus den dreidimensionalen Datensätzen anatomische Strukturen wie Ventrikel, graue oder weiße Gehirnmasse oder Knochen. Diese anatomischen Strukturen werden durch verschiedene Merkmale beschrieben, unter anderem Textur, Volumen, Durchmesser, Schwerpunkte, Größenverhältnisse, Symmetriefaktoren und zwischen den Bildern verglichen. Ziel der ersten Arbeit war es, den Workflow für diese Methode zu implementieren, sodass wir die Bilddaten dort einlesen und segmentieren sowie die Merkmale berechnen und über verschiedene Algorithmen klassifizieren können.

In der zweiten Arbeit haben wir einen anderen Ansatz verfolgt, der CNNs, convolutional neural networks, beziehungsweise Deep Learning-Ansätze nutzt. Das wurde durch Klassifizierungserfolge von Algorithmen auch im nicht-medizinischen Bereich getrieben. Hier werden Bildmerkmale durch ein neuronales Netz automatisch erlernt, Ähnlichkeiten zu diesen dann nicht unbedingt anatomischen Merkmalen werden im Prinzip ebenfalls quantifiziert und klassifiziert. Solche neuronalen Netze sind vor allem bekannt geworden durch die Klassifizierung von Alltagsgegenständen, Gesichtern oder Tieren.

Wie zuverlässig ist dieser Algorithmus derzeit?

Remmele: Derzeit erreichen wir eine Genauigkeit von etwa 75 Prozent, das heißt 75 Prozent aller Bilddatensätze werden der richtigen Klasse zugewiesen. Seit Sommer 2017 läuft jetzt eine Arbeit, die auf die weitere Verbesserung dieser Quote insbesondere durch eine bessere Vorverarbeitung dieser Daten abzielt. Hier gibt es aus der aktuellen Forschung viele Aspekte, die wir implementieren können, aber wir müssen auch vieles neu erfinden, weil wir mit einem sehr heterogenen Datensatz arbeiten.

Wie wollen Sie jetzt noch weiter an diesem Thema arbeiten?

Remmele: Wir müssen auf jeden Fall die Methoden auf unsere Fragestellung anpassen, um die Genauigkeit unseres Algorithmus deutlich zu erhöhen, damit er alltagstauglich wird. Außerdem müssen wir herausfinden, ob wir bei einer binären Unterscheidung zwischen auffälligen und unauffälligen Befunden bleiben oder ob wir so etwas wie Wahrscheinlichkeiten angeben. Dann, glaube ich, könnten wir noch deutlich mehr Verbesserung und Zeitersparnis für die Radiologen erzielen, wenn wir die Daten nicht nur klassifizieren, sondern auch aufzeigen könnten, an welcher Stelle im Datensatz der Algorithmus Auffälligkeiten gefunden hat.

Und natürlich wollen wir den Algorithmus auch gerne in die IT der Radiologie implementieren. Dafür suchen wir zur Zeit Industriepartner. Außerdem erhalten wir weitere Daten von einem städtischen Krankenhaus und einer Universitätsklinik. Diese werden auch mehr Heterogenität in unseren vorhandenen Datensatz bringen, womit wir unter anderem einen besseren Trainingseffekt erzielen wollen. Auch die Radiologie unterstützt uns weiter, was bemerkenswert ist, da sie keinen Forschungsauftrag haben, wie ein Universitätskrankenhaus. Aber Commitment dieser Art wird dieser Forschungszweig in Zukunft dringend brauchen. Wenn wir Lösungen für niedergelassene Ärzte entwickeln wollen, brauchen wir deren Daten.

Welchen Stellenwert hat maschinelles Lernen heute in der Medizintechnik?

Remmele: Unter dem Begriff "computer-aided diagnosis" werden bereits von verschiedenen Herstellern Lösungen angeboten, die maschinelles Lernen im Bereich der Bildgebung anwenden auch für die Neurologie. Auch im Screening-Bereich, zum Beispiel für Brustkrebs und Lungenkrebs, existieren Tools, die Klassifizierungsalgorithmen aus dem maschinellen Lernen einsetzen. Erste Produkte werben auch mit Deep Learning, das zur Segmentierung von Bildern eingesetzt wird. Diese Produkte werden heute in erster Linie in spezialisierten Zentren und Universitätskliniken, zum Beispiel für die Tumorverlaufskontrolle eingesetzt.