Mensch vs. Maschine – der Nutzen von KI in der Bildgebung

Gerade in der Radiologie werden große Datenmengen produziert, die sich ohne die Hilfe intelligenter Systeme nicht mehr verwalten lassen. Das betrifft vor allem die Befundung medizinischer Bilder. Wofür Ärzte jahrelange Erfahrung, mehrere Stunden Arbeit und höchste Konzentration benötigen, schafft Künstliche Intelligenz innerhalb weniger Sekunden.

Prognosen zufolge dürfte die Menge medizinischer Daten jedes Jahr um nahezu 50 Prozent ansteigen. Der größte Teil davon – 90 Prozent – stammt aus der Bildgebung. Allein im Jahr 2019 wird die Radiologie rund 675 Milliarden Gigabyte an Bilddaten produzieren. Umgerechnet sind das 13,5 Billionen Schichtbilder – eine Menge, die man sich kaum vorstellen, geschweige denn nutzen kann. Tatsächlich werden lediglich 7 Prozent der Bilder bearbeitet. Von diesen Zahlen war auf dem 100. Deutschen Röntgenkongress im Mai die Rede. Manuell ist die entstehende Arbeit bei weitem nicht zu bewältigen. Es wird also dringend maschinelle Unterstützung benötigt, um dem wachsenden Aufwand gerecht zu werden.

Künstliche Intelligenz kann nicht nur mit konstant hoher Geschwindigkeit und Präzision arbeiten, sondern ist auch in der Lage, verborgene Muster in den Daten zu erkennen und so den Ärzten wertvolle Unterstützung für Diagnose- und Therapieentscheidungen zu liefern. Maschinelles Lernen ist besonders dort sinnvoll, wo die von Medizinern untersuchten diagnostischen Daten bereits digitalisiert sind.

Das Universitätsklinikum Jena setzt seit April als erste Einrichtung weltweit die sogenannte Deep Learning Image Reconstruction (DLIR) von GE Healthcare in der breiten klinischen Routine ein. Mit diesem System kann das Bildrauschen in CT-Daten reduziert und somit eine verbesserte Bildqualität erreicht werden. Wie die DLIR arbeitet, erklärt Felix Güttler, Kaufmännischer und Technischer Leiter im Institut für diagnostische und interventionelle Radiologie am UKJ, im Interview: "Die dem System zugrundeliegende KI basiert auf einem sogenannten Deep Neural Network (DNN). KI-Systeme, die als Medizinprodukt zugelassen werden, lernen in der Regel während ihres Einsatzes nicht mehr dazu. Aus dem trainierten DNN wird quasi ein Algorithmus erzeugt. Die Neuronen einer KI werden für ein bestimmtes Anwendungsfeld trainiert und dann für den Einsatz 'eingefroren'." So wird sichergestellt, dass das Verhalten des Algorithmus' korrekt und reproduzierbar ist.

Neben GE bieten auch andere große Hersteller Lösungen für die klinische Routine an, die auf Künstlicher Intelligenz beruhen – so wie Siemens Healthineers mit seinem AI-Rad Companion Chest CT. "Wir möchten dem Arzt helfen, schneller und dabei genauer zu werden, indem wir die händische Bildauswertung durch eine Analyse mit KI ersetzen," so Ivo Driesser, Global Marketing Manager und Produktmanager, im Interview. "Der AI-Rad Companion Chest CT ist ein intelligenter Software-Assistent für CT-Bilder im Brustkorbbereich." Die Algorithmen können Herz, Aorta, Lunge und Wirbelsäule in den Scans erkennen, mehrere Bilder zu einem 3D-Bild zusammenfügen und Messungen an den Organen durchführen.

Philips verspricht mit seinem MRT-Gerät Ingenia Elition 3.0T X eine sichere und schnelle Befundung dank KI. Samsung stellt sowohl für das digitale Röntgensystem GC85A als auch für das Ultraschallgerät RS85 KI-Funktionen und Auswertungsalgorithmen zur Verfügung.

Algorithmen können nicht nur im Bruchteil einer Sekunde Ergebnisse liefern, sondern überall auf der Welt kostengünstig eingesetzt werden – ein Gewinn für das gesamte Gesundheitssystem also. "Für den Patienten stehen unter dem Strich: Vereinfachte Prozesse, eine schnellere Behandlung, die auf die individuellen Bedürfnisse zugeschnitten ist und mehr Zeit mit dem behandelnden Arzt," fasst Güttler den Mehrwert der KI-Lösungen für den Patienten zusammen.

Die Maschine wird dennoch – zumindest in absehbarer Zeit – nicht den Menschen ersetzen. Die Künstliche Intelligenz ist immer noch vom Menschen geschaffen. Sie ist abhängig von der Qualität der Daten, mit der sie trainiert wurde. Zudem ist es für Mediziner bislang schwer nachvollziehbar, wie eine KI zu einer Einschätzung kommt. Derzeit geschieht die Entscheidungsfindung in einer Art Black Box. Der Algorithmus müsste jedoch eine Fähigkeit zur Selbstkritik besitzen und beispielsweise Unsicherheiten und ungeklärte Fragen anzeigen, da eine solche Transparenz auch von menschlichen Experten erwartet wird und letztlich das Vertrauen steigert. Forscher arbeiten bereits daran, die Vorgehensweise von lernenden Systemen nachvollziehbarer zu machen. Nur so können Menschen diese korrigieren und damit verbessern. Eine Maschine allein darf keine Diagnose stellen. "Ich denke ganz banal ausgedrückt: Dort, wo es um das Patientenwohl, eine Entscheidung über die Diagnose oder eine Behandlung geht, wird der Mensch immer die Kontrolle haben," ist sich Felix Güttler sicher. Und auch Ivo Driesser bestätigt: "Der Mensch hat immer das letzte Wort. Der Software-Assistent ist eben nur ein Partner des Arztes."

In den nächsten Jahren wird die Anzahl der Patienten weiter steigen. Nicht nur die Diagnostik, sondern sämtliche Arbeitsabläufe im Krankenhaus müssen optimiert werden, um Zeit zu sparen und medizinisches Personal zu entlasten. "Denken Sie beispielsweise an eine intelligente Steuerung der Bettenauslastung in einem Krankenhaus oder den automatischen Abgleich von bestimmten Krankheitsbildern, zu denen hunderte oder tausende von Datenpunkten vorliegen. Stellen Sie sich vor, Sie könnten zum Beispiel die Terminplanung voll automatisieren oder routinemäßige Kontrollmessung von der KI übernehmen lassen," präzisiert Güttler die weiteren Anwendungsmöglichkeiten für die Medizin.

Künstliche Intelligenz und Big Data sind kaum getrennt voneinander zu betrachten. Wo KI zum Einsatz kommt, wurden zuvor tausende von Daten gesammelt. Ebenso werden bei jeder radiologischen, kardiologischen oder pathologischen Untersuchung sowie auch vom Patienten selbst – zum Beispiel via Smartwatch – ständig Daten generiert und gespeichert. "Das Ziel ist es, diese ganzen Daten sinnvoll zu nutzen," meint Driesser und kommt in diesem Zusammenhang auf eine weitere Anwendung der KI-Technologie zu sprechen: den digitalen Zwilling. "Entscheidet sich der Arzt für eine bestimmte Therapie, würde diese erst einmal virtuell getestet werden. Damit könnten vorab Ergebnisse abgeschätzt und Risiken minimiert werden." Mit dieser Methode würden also nicht nur die gesammelten Daten nutzbringend verwendet werden, sondern auch eine personalisierte Medizin möglich sein. "Je mehr ich von einem Patienten weiß, desto mehr kann ich vorhersagen," schlussfolgert Driesser.