Wie KI verschiedene Stufen diagnostischer Workflows verbindet

Künstliche Intelligenz erweitert ihre Rolle im Gesundheitswesen über die Unterstützung einzelner diagnostischer Aufgaben hinaus. Aktuelle Forschungsprojekte zeigen, wie KI verschiedene Phasen des diagnostischen Prozesses unterstützen kann, indem sie klinisch relevante Informationen aus unterschiedlichen Datenquellen gewinnt, darunter Routinedaten aus dem Gesundheitswesen, Genomdaten und biomedizinische Bilddaten.

Obwohl diese Projekte unabhängig voneinander entwickelt wurden und sich mit unterschiedlichen wissenschaftlichen Fragestellungen befassen, weisen sie doch eine gemeinsame Ausrichtung auf: den Einsatz von KI, um komplexe Diagnosedaten im Rahmen klinischer und forschungsbezogener Arbeitsabläufe zugänglicher und besser verwertbar zu machen.

Forschende der Medizinischen Hochschule Hannover (MHH) untersuchen, ob sich Routinedaten der gesetzlichen Krankenversicherung nutzen lassen, um das individuelle Krebsrisiko in einem früheren Stadium vorherzusagen. Im Rahmen des ROKAVI-Projekts entwickelt und vergleicht das Team konventionelle statistische Modelle mit KI-basierten Algorithmen auf Grundlage von Routinedaten der Krankenversicherung, darunter Diagnosen, in Anspruch genommene Gesundheitsleistungen und soziodemografische Informationen.

Der Ansatz soll bestehende Screening-Programme ergänzen, indem Personen identifiziert werden, die von früheren Präventionsmaßnahmen oder einer gezielten Risikokommunikation profitieren könnten. Darüber hinaus untersucht das Projekt ethische Fragestellungen und die Präferenzen von Patientinnen und Patienten hinsichtlich der Risikokommunikation. Dies verdeutlicht die Notwendigkeit, prädiktive Analysen verantwortungsvoll in bestehende Versorgungspfade zu integrieren. Gelingt dies, könnte die Arbeit zeigen, wie routinemäßig erhobene Gesundheitsdaten eine gezieltere Prävention unterstützen können, ohne dass zusätzliche diagnostische Verfahren erforderlich sind.

Während Forschende so den Schwerpunkt auf die Risikobewertung auf Bevölkerungsebene legen, widmen sich dagegen Forschende am Max-Planck-Institut für molekulare Genetik einer anderen Herausforderung: der Interpretation der in DNA-Sequenzen kodierten biologischen Aktivität.

Im Gegensatz zu früheren sequenzbasierten Modellen berücksichtigt das KI-Tool Corgi (Context-aware Regulatory Genomics Inference) Informationen zur regulatorischen Genexpression und ermöglicht dadurch Vorhersagen, die das zelluläre Umfeld berücksichtigen, in dem Gene aktiv sind. Nach Angaben des Forschungsteams kann das Modell verschiedene Indikatoren der Genomaktivität vorhersagen, darunter Genexpression und Chromatinzugänglichkeit.

Obwohl die Arbeit in erster Linie für die Grundlagenforschung gedacht ist, adressiert sie eine Herausforderung, die über die Genomik hinausgeht: biologisch relevante Erkenntnisse aus umfangreichen molekularen Datensätzen abzuleiten. Eine verbesserte Interpretation krankheitsrelevanter Varianten könnte die analytische Grundlage für die Präzisionsdiagnostik und die weitere Erforschung von Krankheitsmechanismen stärken.

Die biomedizinische Bildgebung ist ein weiteres Anwendungsfeld, in dem KI Forschende dabei unterstützt, klinisch relevante Informationen aus komplexen Datensätzen zu gewinnen. An der Universität Duisburg-Essen und dem Leibniz-Institut für Analytische Wissenschaften (ISAS) entwickelt Professor Jianxu Chen KI-Methoden zur Analyse großer Mengen komplexer Mikroskopiedaten.

Moderne Mikroskopieverfahren erzeugen mehrdimensionale Datensätze, deren manuelle Auswertung anspruchsvoll ist. Chens Forschung konzentriert sich darauf, subtile krankheitsassoziierte Zellmuster zu identifizieren und KI bereits in frühen Phasen der Versuchsplanung in Bildgebungs-Workflows zu integrieren. Die Anpassung der Algorithmen an konkrete biomedizinische Fragestellungen trägt dazu bei, dass Bilddaten mit Blick auf die jeweilige klinische oder wissenschaftliche Anwendung erhoben und ausgewertet werden. Gleichzeitig verringert sich der manuelle Analyseaufwand, während Informationen sichtbar werden, die andernfalls unentdeckt bleiben könnten.

Obwohl die drei Forschungsprojekte unterschiedliche wissenschaftliche Fragestellungen behandeln, zeigen sie, wie KI in verschiedenen Bereichen der Diagnostik eingesetzt wird. Der Einsatz reicht von der Analyse von Routinedaten aus dem Gesundheitswesen und Genomdaten bis hin zur Interpretation komplexer biomedizinischer Bilddaten. Gemeinsam verdeutlichen sie, wie KI die Bandbreite der Informationen erweitert, die in diagnostische Workflows einbezogen werden können, sodass unterschiedliche Arten klinischer und biologischer Daten zu umfassenderen Analysen beitragen.

Quellen: Medizinische Hochschule Hannover, Max-Planck-Institut für Molekulare Genetik, University of Duisburg-Essen (EN)