KI in der Covid-19-Forschung

Greg Zaharchuk, Professor für Radiologie an der Stanford University

Zu Beginn der Corona-Pandemie legten Radiologen in den USA ihre Priorität vor allem auf die Forschung zu Covid-19, veröffentlichten innerhalb kurzer Zeit Übersichtsarbeiten, machten alle Ergebnisse offen zugänglich und halfen beim Verfassen eines Whitepapers der Fleischner Society mit Empfehlungen für den Einsatz der Bildgebung bei Covid-19. Auch eine Vielzahl von Experten-Webinaren und Studien wurde veröffentlicht, wie beispielsweise ACR-Richtlinien zur sicheren Wiederaufnahme nicht dringender radiologischer Untersuchungen.

Laut Greg Zaharchuk, Professor für Radiologie an der Stanford University, muss ein KI-Tool in der medizinischen Bildgebung vor allem zur Unterstützung der Diagnose von Covid-19 dienen. „Dies war besonders zu Beginn der Pandemie wichtig, als die Systeme überfordert waren und patientennahe Referenztests fehlten“. KI-Tools waren zu diesem Zeitpunkt besonders wertvoll, da Radiologen noch nicht mit den Eigenheiten der Krankheit vertraut waren, betont er.

KI soll zudem dabei helfen, den Krankheitsverlauf und die Folgen vorherzusagen, einschließlich des Schweregrads der Erkrankung, der Dauer des Krankenhausaufenthalts und der Anforderungen an Intensivstationen und Beatmungsgeräte. So sollen geeignete Behandlungsstrategien für individuelle Patienten gefunden werden, wie beispielsweise die Notwendigkeit einer Behandlung mit gerinnungshemmenden Medikamenten. Ziel ist ein automatisiertes System, das den Krankheitsverlauf des Patienten vorhersagen kann.

Standardisierte Befundung

Zur Diagnostik haben sich CT-Aufnahmen bewährt, weil sie schnell Hinweise liefern, wenn es keine Referenztests zur Virenerkennung gibt, schlägt Zaharchuk vor. „CT-Aufnahmen zeigen die charakteristischen Anzeichen von Milchglastrübungen mit einer hauptsächlichen Verteilung in den unteren Lungenlappen. Zur Abklärung dieses Befunds reicht bereits eine Aufnahme in Niedrig-Dosis-Technik bei 0,5 mSv.“ Ein Problem hierbei stellen allerdings die Reinigung und Verfügbarkeit der Scanner sowie das Infektionsrisiko für die Mitarbeiter dar, so der Radiologe. „Hilfreich wäre ein System, das CT-Befunde mit Angaben zu unterschiedlichen Wahrscheinlichkeiten für eine Covid-19-Erkrankung zusammenführt. Eine solche Standardisierung wäre ein wichtiger Schritt für die Entwicklung eines KI-Algorithmus.“

51-jähriger Mann mit Atemwegserkrankung und positivem Covid-Test, der das charakteristische Erscheinungsbild einer Covid-19-Pneumonie zeigt

Einen kombinierten Ansatz verfolgen derweil die Kliniken Mount Sinai, das Massachusetts General Hospital (MGH) und mehrere chinesische Krankenhäuser: Sie untersuchten gemeinsam 905 Patienten mithilfe von CT-Schnitten, die von einem neuronalen Netz (CNN) mit Informationen von nicht bildgebenden Verfahren wie beispielsweise Labortests zusammengeführt wurden. „Dabei wurden drei Modelle entwickelt, wobei das kombinierte System am besten funktionierte. Die KI-Modelle zeigten einen AUC-Wert von 0,92 und waren damit in etwa gleichauf mit den Radiologen“, erklärt Zaharchuk.

Eine weitere internationale Gruppe, an der Forscher von MGH, dem nationalen US-Gesundheitsinstitut (NIH) und NVIDIA beteiligt waren, verfolgte in ihrer Studie einen konventionellen Ansatz.  Sie verwendeten sowohl vollständige 3D-Modelle als auch hybride 2D-Modelle auf Basis einer DenseNet-Struktur, um das (Nicht-)Vorliegen oder Nichtvorhandensein einer Covid-19-Pneumonie vorherzusagen. „Ihre Prognose war sehr ähnlich, mit einem AUC-Wert von etwa 0,9, einer Sensitivität von etwa 80% und einer Spezifität von etwa 90%", so Zaharchuk.

Röntgenaufnahmen des Brustkorbs weisen ebenfalls charakteristische Muster auf, können jedoch schwieriger zu interpretieren sein. Diese Aufnahmen lassen sich schnell anfertigen und sind vor allem dann nützlich, wenn keine Referenztests verfügbar sind, so Zaharchuk. Hier spielen die Reinigung der Maschinen und das Risiko für die Mitarbeiter eine geringere Rolle, sodass KI-Studien mit größeren Fallzahlen durchgeführt werden konnten.

In vielen Studien zeigten Algorithmen, die für die Covid-19-Diagnose via Röntgenstrahlen entwickelt wurden, gute oder ausgezeichnete AUC-Werte, die mit der Leistung einer Röntgen-Thorax-Untersuchung vergleichbar sind oder diese sogar übertreffen. Auch bei der Vorhersage des Schweregrads einer Covid-19-Erkrankung soll KI einen wichtigen Beitrag leisten. Erste Ergebnisse zeigen bereits, dass vorhandene Software umfunktioniert werden kann, um Milchglastrübungen zu erkennen, Segmentierungen durchzuführen und mithilfe einer schichtbasierten Methode den Schweregrad von Covid-19-Anomalien vorherzusagen. „Die Autoren schlagen die Einführung eines Covid-19-Schweregrad-Scores vor, dem das Volumen des abnormen Lungengewebes zugrunde liegt. Ein solcher Score kann zum einen für die Bewertung von Covid-19 verwendet werden, zum anderen ist ihr Einsatz aber auch bei jeder Art von viraler Lungenentzündung oder Pneumonie denkbar“, berichtet Zaharchuk.

Ein weiterer Ansatz der MGH-Gruppe konzentrierte sich auf die Verwendung so genannter siamesischer neuronaler Netze, die häufig im Rahmen der Gesichtserkennung eingesetzt werden, um Ähnlichkeiten zu untersuchen und zu beschreiben. Die Forscher verwendeten ein Vortraining mit dem CheXpert-Datensatz, um normale von auffälligen Datensätzen zu unterscheiden. Der so trainierte Algorithmus wurde auf Röntgen-Thorax-Aufnahmen angesetzt und lieferte gute Ergebnisse bei der Bestimmung des Covid-Schweregrades. 

In sämtlichen Studien gelang eine hohe Transferleistung, so dass die KI gelernte Charakteristika zuverlässig auf unbekannte Bilddaten anwenden konnte. Die Feinabstimmung wurde daraufhin mit einer kleinen Anzahl positiver Covid-19 Fälle vorgenommen, so Zaharchuk. Um einen wirklichen Beitrag im Kampf gegen das Coronavirus zu leisten, muss die KI-Forschung jedoch über den Thorax hinausgehen. „Covid-19 ist eine Multisystemerkrankung; leider haben wir bisher nur wenige Daten, die über den Bereich der Lunge hinausgehen. Zukünftige randomisierte Studien könnten einen wichtigen Beitrag zur Individualisierung der Behandlung leisten“, erklärt der Radiologe.

Die chinesische Perspektive

Shiyuan Liu ist Professor für Radiologie am ChangZheng-Universitätsklinikum in Shanghai

Wie Shiyuan Liu, Professor für Radiologie am ChangZheng-Universitätsklinikum in Shanghai, berichtet, haben die von der Nationalen Gesundheitskommission der Volksrepublik China veröffentlichten acht Auflagen der Leitlinien zur Diagnose, Behandlung und dem allgemeinen Umgang mit der Covid-19-Epidemie entscheidend dazu beigetragen, die Pandemie unter Kontrolle zu bekommen. „Laut dieser Kommission spielt die medizinische Bildgebung während des gesamten Diagnose- und Behandlungsprozesses eine unverzichtbare Rolle, insbesondere bei der Erkennung von Läsionen, der Bestätigung beim Auftreten von verdächtigen Symptomen bei Patienten, der klinischen Klassifikation, der Differenzialdiagnose und der Kriterien für die Entlassung aus dem Krankenhaus. Das hat sich besonders bei den Ausbrüchen zum Jahresbeginn gezeigt“, betont er.

Im Jahr 2020 wurden mehr als 3.270 radiologische Untersuchungen im Zusammenhang mit dem neuartigen Coronavirus veröffentlicht, in 69% dieser Publikationen kamen CT-Aufnahmen und anschließend Röntgenaufnahmen, Ultraschall und MRT-Aufnahmen zum Einsatz. Rund ein Viertel (26%) der entsprechenden Literatur kam aus China. Fünf chinesische Unternehmen, darunter klassische Anbieter medizinischer Bildgebung, geben an, KI-gestützte Pneumonie-Modelle zu benutzen, während Forschungsinstitute ihre eigenen KI-Modelle für die klinische Praxis entwickeln und verwenden. Ihre wichtigste Aufgabe besteht in der Pandemie darin, Arbeitsabläufe zu optimieren und die Infektionszahlen in den Griff zu bekommen, erklärt Liu.

Zentrale Bedeutung für die Früherkennung von Covid-19

„KI hilft Radiologen, effizienter zu arbeiten. Daten des Shanghai Public Health Clinical Center (SPHCC) zeigen, dass KI-Modelle die manuelle Untersuchungszeit erheblich verkürzen können. Dabei weisen KI-Lösungen eine Spezifität und Sensitivität bei der Erkennung von bis zu 97% auf“, sagt Zaharchuk. Eine wichtige Rolle spielen Algorithmen auch bei der Früherkennung und Diagnose von Covid-19, insbesondere in Bezug auf die Differenzialdiagnose. Zaharchuk: „Bei der Differenzierung zwischen ambulant erworbener und Covid-19-Pneumonie erreicht die KI eine Sensitivität und Spezifität von etwa 90%.“ 

Für die Klassifikation ist die KI-basierte Quantifizierung sowohl bei der Diagnose als auch bei der Behandlung einer Covid-19-Pneumonie von großer Bedeutung. „Quantitative Informationen umfassen vermutlich das Gesamtvolumen und die Dichte der Läsion, das Volumen und die Dichte der Lunge sowie die Quantifizierung der Lungenläsion.“ 

Follow-up

KI kann auch dabei helfen, Läsionsveränderungen im Blick zu behalten. „Obwohl Studien den Einsatz von KI-Technologien in der medizinischen Bildgebung befürworten, gibt es bei der praktischen Umsetzung noch Defizite, betont Liu. Das betrifft insbesondere die zugrunde liegenden Trainingsdaten, die nach wie vor nicht die nötige Qualität aufweisen.“

Ein idealer Algorithmus wäre in der Lage, sämtliche Informationen, einschließlich klinischer Informationen und Labortests, einzubeziehen und als „vollständiges Informationsmodell“ darzustellen. „Bei der Entwicklung von KI-Modellen zur Erkennung von Lungenentzündung sollten die Entwickler den Fokus klar auf die Anwendung in konkreten klinischen Szenarien legen, und Probleme nicht nur von einer Seite angehen“, folgert Liu.

Profile:

Shiyuan Liu, Professor und Vorsitzender der Abteilung für Radiologie am ChangZheng-Universitätsklinikum in Shanghai, China, ist seit über 30 Jahren auf Röntgen-Thorax-Untersuchungen spezialisiert, insbesondere auf Lungenkrebsvorsorge und Bildgebungsdiagnostik. Er ist gewählter Präsident der 中华医学会放射学分会 (Chinesische Gesellschaft für Radiologie) und der Asian Society of Thoracic Radiology (Asiatische Gesellschaft für Thorax-Röntgen) sowie Präsident der Chinese Medical Imaging AI Innovation Alliance (Chinesische Innovationsallianz für KI-gestützte medizinische Bildgebung) und leitet die nationale KI-Forschung und deren Anwendungen in der Radiologie. Er erhielt ca. 6 Millionen US-Dollar an Forschungsstipendien von der 国家自然科学基金委员会 (Chinesische Stiftung für Wissenschaft), des Ministeriums für Wissenschaft und Technologie und der Shanghai Local Research Foundation. Er ist Herausgeber des Oncoradiology Journals, hat über 321 Zeitschriftenartikel veröffentlicht und neun Bücher verfasst.

Greg Zaharchuk, Professor für Radiologie an der Stanford University und Neuroradiologe am Stanford Hospital in den USA, ist gewählter Präsident der American Society of Functional Neuroradiology (Amerikanische Gesellschaft für funktionale Neuroradiologie), stellvertretender Herausgeber des Journal of Magnetic Resonance Imaging und Mitglied des Editorial Board of Radiology. Er ist außerdem Mitglied des Scientific Program Committee, des Neuroradiology / Head & Neck Subcommittee der Radiological Society of North America (RSNA) und Mitglied des American Institute for Medical and Biological Engineering (AIMBE). 2016 erhielt er den Distinguished Investigator Award der Akademie für Radiologie und biomedizinische Bildgebungsforschung (Academy for Radiology & Biomedical Imaging Research).

15.01.2021

• Coronavirus (631)
• Früherkennung (200)
• KI (385)
• Kongresse (538)
• Radiologie (581)
• RSNA2020 (8)