Sie sind hier: HomeRubrikenSonstige

News, Produkte, Fachartikel zu Stromversorgungen, Batterien, Akkus, AC/DC-Wandler, DC/DC-Wandler, Energy Harvesting, Power Management, Wireless Power

KI in der Radiologie: Ich sehe was, was du nicht siehst

Selbst der beste Arzt ist nicht unfehlbar. Das führt zwangs­läufig dazu, dass Krankheitsbilder übersehen oder falsch interpretiert werden. Hinzu kommt, dass moderne bildgebende Verfahren immer mehr Informationen liefern, mit denen Mediziner zunehmend überfordert sind – KI könnte ein Ausweg sein.

Röntgenaufnahme einer Hand (Symbolbild) Bildquelle: © Pixabay

Röntgenaufnahme einer Hand (Symbolbild)

Es ist die berühmte Suche nach der Nadel im Heuhaufen: Ärzte diagnostizieren bei einer 60-jährigen Patientin eine akute myeloische Leukämie (AML). Dabei handelt es sich um eine Form des Blutkrebses, die durch ein schnelles Wachstum mutierter weißer Blutzellen charakterisiert ist. Zwar ist die Chemotherapie erfolgreich, die Patientin erholt sich aber nur ungewöhnlich langsam von der Post­remissionstherapie. Die Ärzte vermuten daraufhin eine andere Form der Leukämie, doch mithilfe herkömmlicher Methoden können sie nichts feststellen. Sie ziehen daher »Dr. Watson« hinzu. Das System von IBM vergleicht die genetischen Daten der Patientin mit allen gespeicherten Informationen und entdeckt dabei genetische Mutationen, die einzigartig für eine bestimmte Form der Leukämie sind: Ein Fall der sekundären Leukämie, in der sich zu wenig gesunde Blutzellen bilden. »Die Patientin hatte Mutationen in mehr als 1000 Genen, aber viele davon standen nicht mit ihrer Erkrankung in Verbindung«, erklärt der behandelnde Arzt Prof. Arinobu Tojo vom Institut für Medizinische Wissenschaften an der Universität Tokio. Während es für die Wissenschaftler fast zwei Wochen gedauert hätte zu prüfen, welche der 1000 Mutationen für die Diagnose wichtig waren oder nicht, »hat Dr. Watson das Ganze in zehn Minuten erledigt.«[1] Nachdem die Ärzte die Therapie an dessen Diagnose anpassen, verbessert sich der Zustand der Patientin und sie kann nach kurzer Zeit das Krankenhaus verlassen. »Wir wären auch durch eine manuelle Datensuche zum selben Schluss gekommen, doch Dr. Watsons Geschwindigkeit ist essenziell bei der Behandlung von Leukämie, die schnell voranschreitet«, so Tojo weiter.

Der Fall in Japan zeigt, wie hilfreich Künstliche Intelligenz (KI) in der Medizin sein kann. Die stetigen Entwicklungen in Forschung und Medizintechnik sind so umfangreich, dass sie auch von Fachärzten nicht ständig verfolgt werden können. Prof. Dr. Michael Forsting, Direktor des Instituts für Diagnostische und Interventionelle Radiologie und Neuro­radiologie am Universitätsklinikum Essen, ist überzeugt, dass Künstliche Intelligenz bald auch in der Radiologie eingesetzt wird: »Artificial Intelligence kann dem Radiologen helfen, sich anderen Aufgaben zuzuwenden als etwa Volumenmessungen und ähnlich zeitraubenden, aber letztlich wenig anspruchsvollen Dingen«. Forsting und sein Team haben in Kooperation mit der Universitätsradiologie Essen-Duisburg einen Algorithmus für die Befundung von interstitiellen Lungenerkrankungen entwickelt, eine sehr zeitaufwendige und schwierige Diagnostik. »Unser Programm hat 798 von 800 gesicherten Diagnosen richtig beurteilt.« Bei den zwei anderen Diagnosen habe sich gezeigt, dass nicht etwa das Programm im Irrtum war, sondern die vorangegangene Diagnostik von Radiologenhand nicht korrekt war.

Lernfähige Neuronen 

Die Mammografie zählt zu den wichtigsten bildgebenden Verfahren zur Früherkennung von Brustkrebs. Nach Angaben des Deutschen Krebsforschungszentrums unterziehen sich rund 2,8 Millionen Frauen in Deutschland im Rahmen eines Mammo­grafie-Screenings dieser speziellen Röntgenuntersuchung der Brust. Doch die Ergebnisse sind nicht immer einfach zu interpretieren. Etwa jede zwanzigste Frau, die am Screening teilnimmt, muss deshalb mit einem auffälligen Befund rechnen. Erhärtet sich daraufhin der Verdacht, schlagen Ärzte in der Regel vor, eine Gewebeprobe (Bio­psie) zu entnehmen. Das betrifft jährlich rund 35.000 Frauen, doch nur bei rund der Hälfte von ihnen findet sich tatsächlich ein bösartiger Tumor. Eine häufige Ursache für falsch positive Ergebnisse sind so genannte Hochrisikoläsionen, die bei Mammogrammen verdächtig erscheinen und anomale Zellen aufweisen, wenn sie durch die Nadelbiopsie getestet werden. In diesem Fall wird die Patientin typischerweise einer Operation unterzogen, um die Läsion zu entfernen. Allerdings erweist sich diese bei etwa 90 Prozent als gutartig, stellte also keine Lebensgefahr für die Patientin dar [2].

Um die Auswertung der Mammografie-Bilder zu erleichtern, nutzen Radiologen oft die Hilfe von Computerprogrammen. Diese markieren verdächtige Bereiche in den Aufnahmen, die dann vom Radiologen geprüft werden. Die Diagnose erfolgt dadurch jedoch nicht unbedingt schneller. »Die Auswertung der Mammografie-Bilder ist monoton, anstrengend, langwierig, teuer und vor allem fehleranfällig«, sagt Dezso Ribli von der Eötvös Universität in Budapest. Trotz Computerhilfe schwankt die Treffsicherheit der Diagnosen stark.

Laut Ribli werden 20 bis 30 Prozent der Brustkrebs-Tumore bei der Mammografie übersehen. Um das zu ändern, haben er und sein Team eine KI entwickelt, die Brustkrebs in Mammografie-Aufnahmen ohne Mithilfe oder nachträgliche Überprüfung durch den Menschen erkennt. Das Model basiert auf einem Convolutional Neural Network (Kasten) mit 16 Schichten, wobei nur die letzte Schicht gutartige von bösartigen Läsionen unterscheiden kann [3].

Neuronale Netze

Künstliche neuronale Netze sind Informationsverarbeitende Systeme, deren Struktur und Funktionsweise an das Nervensystem und speziell an das Gehirn von Menschen und Tieren erinnert. Ein neuronales Netz besteht oft aus einer großen Anzahl einfacher parallel arbeitender Einheiten, den sogenannten Neuronen. Diese senden sich Informationen, in Form von Aktivierungssignalen, über gewichtete Verbindungen zu. Die künstlichen Neuronen haben, ebenso wie die künstlichen Netze, ein biologisches Vorbild. Ein neuronales Netz ist in mehreren Schichten angeordnet: der Inputschicht, der Outputschicht und den dazwischen liegenden »Hidden Layers«.

Convolutional Neural Networks (CNN), zu Deutsch etwa »faltendes neuronales Netzwerk« extrahieren lokalisierte Merkmale aus Eingangsbildern und falten die Bildfelder mittels Filtern auf. Anders als normale neuronale Netze sind CNN in der Lage, Input in Form einer Matrix (Breite x Höhe x Farbkanäle) zu verarbeiten. Beispielsweise hat ein RGB-Bild drei Kanäle. Diese Daten werden nun durch mehrere Schichten übergeben und immer wieder neu gefiltert und unterabgetastet. Die letzte Schicht gibt eine Punktzahl für jede Bildklasse aus, die die Wahrscheinlichkeit der Eingabe dieser Klasse darstellt.

 

Zunächst musste das Modell den Unterschied zwischen beiden Diagnosen lernen. Dazu trainierten die Wissenschaftler es mit Bildern aus der Digital Database for Screening Mammography (DDSM) sowie einem Datensatz von der Semmelweis Universität in Budapest. Die für das Training verwendeten Bilder enthielten entweder histologisch nachgewiesene Krebserkrankungen oder gutartige Läsionen, die für weitere Untersuchungen herangezogen wurden, sich aber später als nicht bösartig erwiesen. Beide Datensätze zusammen enthielten fast 3470 Mammografie-Aufnahmen, anhand deren die KI lernte, gutartige von bösartigen Läsio­nen zu unterscheiden. Anschließend testeten die Forscher an nicht markierten Aufnahmen von 115 Brustkrebspatientinnen die Trefferquote. Ergebnis: Die KI diagnostizierte 90 % der bösartigen Gewebeveränderungen korrekt, während sie nur 0,3 % falsche positive Markierungen pro Bild lieferte. »Unser Ergebnis zeigt, dass die Detektion von Tumoren im Mammogramm sich für eine KI kaum von anderen Objekterkennungs-Aufgaben unterscheidet«, so Ribli. Die teuren, herkömmlichen Computersysteme sollten seiner Meinung nach daher mit den Deep-Learning-basierten Detektionsmethoden ersetzt werden. Das würde Radiologen die Arbeit erleichtern und die Brustkrebs-Diagnose noch treffsicherer machen.

WEKA Fachmedien Bildquelle: © Philips

Bild 1. Sichere und schnellere Befundung: Moderne MRTs wie das Ingenia Elition 3.0T X setzen Künstliche Intelligenz bereits ein.