Sie sind hier: HomeRubrikenEmbedded Systeme

News, Produkte, Fachartikel zur KFZ-Elektronik: Motorsteuerungen, Infotainment, Telematik, Fahrwerkselektronik.

Embedded Computer: Künstliche Intelligenz für bessere Befundung

Die medizinische Bildgebung ist stets auf der Suche nach immer mehr Rechenleistung, um Ärzte durch höhere Darstellungsqualität besser zu informieren, sodass sie schneller Befundungen und schonendere OPs durchführen können. Durch KI lässt sich dieser Support künftig nochmals deutlich erweitern.

Congatec Bildquelle: © Fernando Gregory/Dreamstime.com

Daumen hoch für die KI: Mit intelligenten Algorithmen soll die Bildgebung weiter verbessert werden.

Die medizinische Bildgebung hat In den letzten Jahren immense Fortschritte gemacht. Verantwortlich dafür war in erster Linie die Digitalisierung der bildgebenden Diagnostik und die damit verbundene bessere Daten- und Bildqualität sowie eine schnellere Verfügbarkeit der Bilder. Nun stehen wir mit der flächendeckenden Einführung von Künstlicher Intelligenz (KI) mit Deep Learning vor der nächsten Evolutionsstufe. Gegenüber klassischen Expertensystemen für Computer Aided Diagnostics bietet sie eine höhere Autonomie, sodass die Befundung schneller, sicherer und zuverlässiger erfolgt, weil bei selbstlernenden Systemen neue Situationen besser erfasst werden als bei statischen Systemen.

Wie exakt und schnell solche Systeme schon heute sind, zeigen Forschungsergebnisse aus verschiedensten Bereichen. So haben beispielsweise Forscher des Systems Medicine and Bioengineering am Houston Methodist Research Institute eine Künst­liche Intelligenz programmiert, die in einem Feldversuch mit 500 Mammografien Brustkrebs 30 Mal schneller als Ärzte erkannte. Die Trefferquote lag bei 99 %. Damit ließe sich nicht nur Brustkrebs besser erkennen. Auch falsche positive Befunde könnten so besser entdeckt werden und unnötige Biopsien zum Wohle der Patientinnen vermieden werden [1].

Ein anderes Forschungsteam widmete sich der KI-basierten Diagnose von Hautkrebs. Anhand von Fotos konnte das System Hautkrebs genauso zuverlässig erkennen wie Dermatologen [2]. Ein drittes Projekt von der Icahn School of Medicine am Mount Sinai Hospital in New York City ist in der Lage, Leberkrebs mit derselben Genauigkeit wie Fachonkologen vorherzusagen. Im Zuge ihrer Forschungen fanden die Wissenschaftler heraus, dass sie das System zukünftig auch dafür nutzen können, um zu bestimmen, ob ein Patient anfällig für Schizophrenie oder andere psychische Erkrankungen ist [3].

Congatec Bildquelle: © Congatec

Die Migration hin zur KI ist mit AMD- basierten COM Express Computer-on-Modules eine einfache Aufgabe, da sie bestehende COM Express Designs mit anderer Prozessortechnologie ersetzen können.

KI und Deep Learning haben sich also schon heute als extrem wertvolle Werkzeuge erwiesen, um die Früherkennung, Diagnose und Behandlung vieler schwerwiegender Erkrankungen zu verbessern. Wenn dieses Wissen allen Ärzten direkt mit der medizinischen Bildgebung zur Verfügung stände, könnten nicht nur viele Menschenleben gerettet werden, sondern auch falsche Behandlungen und unnötige Operationen vermieden werden. Jedem Arzt stünde damit ein noch nie dagewesenes Fachwissen zur Verfügung, das sie bei der Diagnose und Behandlung automatisiert mit höchster Expertise unterstützt. Selbst minimalste und ganz seltene Indikatoren, die ein Arzt auch in mehreren Jahrzehnten Berufspraxis nie erlebt hat, könnten so zuverlässig identifiziert werden. Zum Wohle aller Beteiligten: den Patienten, Ärzten und dem Gesundheitssystem. Eine Studie des Wirtschaftsberatungsunternehmens PWC sagt, dass durch den großflächigen KI-Einsatz allein in Europa die prognostizierten Gesundheits- und Folgekosten binnen zehn Jahren um knapp 200 Mrd. Euro gesenkt werden können [4]. Jetzt bleibt die Frage, auf Basis welcher Technologieplattformen sie in den Massenmarkt Einzug halten kann.

Alles da für KI

Die gute Nachricht gleich zu Beginn: Neueste embedded Plattformen bieten alle Voraussetzungen hinsichtlich Rechenleistung, Energieeffizienz und Programmierbarkeit, um eine leistungsstarke künstliche Intelligenz in jedes Ultraschallgerät, jede Befundungsstation für Radiologen und jeden Medical-PC in Arztpraxen zu integrieren. Hier mag der ein oder andere sich fragen, wie die KI ganzer Rechenzentren in Low-Power-Embedded -Plattformen gelangt. Die Wahrheit ist: Das tut sie nicht. Muss sie aber auch nicht, denn Deep Learning, eine ressourcenintensive Art des maschinellen Lernens, findet – zumindest aktuell – noch weiterhin auf Servern statt. In den Medizingeräten wird lediglich das in den Rechenzentren Gelernte angewendet. Diesen Vorgang nennt man Inferenz.

Das Vorgehen ist dabei selbst für unterschiedlichste Aufgaben nahezu immer identisch. Ein Rechnerverbund aus vielen Recheneinheiten – zumeist General-Purpose-Grafikeinheiten (GPGPUs) – wird zu einem Deep Neural Net zusammengefasst. Dieses Deep-Learning-Netzwerk muss nun trainiert werden. Im Bereich der bildgebenden Diagnostik können dies Radiologie-Aufnahmen für die Früherkennung von beispielsweise Brust,- oder Leberkrebs sein, oder auch Fotos der Haut, um das System auf Hautkrebs zu trainieren. Die Menge der benötigten Bilddaten ist dabei immens. Reale Forschungsprojekte sprechen von 130.000 bis 700.000 Bildern positiver und negativer Befunde. Anhand dieser Informationen entwickeln die neuronalen Netze auf Basis der fall-spezifischen Algorithmen sodann Parameter und Routinen mit einer Genauigkeit, die der von erfahrenen Experten in nichts mehr nachsteht.

Congatec Bildquelle: © Congatec

Schema Deep Learning im Rechenzentrum: Intelligenz im lokalen Medizingerät.