Bildquelle: Adobe Stock/Kaikoro

News • Studie zu Nachhaltigkeit

KI in der Pathologie: Experten warnen vor hohen CO₂-Emissionen

Der Anstieg von Treibhausgasen wie Kohlendioxid (CO₂) oder Äquivalenten (CO₂eq) gilt als Hauptursache für globale Erwärmung und Klimawandel. Die CO₂eq-Emissionen nehmen aufgrund des steigenden Energiebedarfs weiterhin zu, was teilweise auf den wachsenden Trend der Digitalisierung und den Rechenaufwand zurückzuführen ist.

Eine Studie aus dem Team von Univ.-Prof. Peter Boor des Instituts für Pathologie an der Uniklinik RWTH Aachen zeigt, welche enormen ökologischen Konsequenzen die Nutzung von Deep Learning (DL), eine spezifische KI-Methode, in der Pathologie haben kann. Die Arbeit macht auch Vorschläge dazu, mit welchen Ansätzen die CO2eq-Emissionen reduziert werden könnten. Vor Kurzem wurde die Studie in der Zeitschrift The Lancet Digital Health mit begleitendem Editorial veröffentlicht

Die Digitalisierung von Arbeitsabläufen und Prozessen ist in vielen Bereichen der Medizin zu beobachten, auch in der Pathologie. Die digitale Pathologie basiert unter anderem auf dem Scannen histologischer Glasobjektträger, wodurch sehr große digitale Bilder erstellt werden. Dies ermöglicht den effektiven Einsatz von Computertechniken für die Analyse histopathologischer Bilder, insbesondere die Nutzung von Deep Learning. In der Analyse stellen Prof. Boor und sein Team eine Berechnung der Emissionen von CO2 oder Äquivalente (CO2eq) an, die auf eine Nutzung von DL auf den konkreten Daten aus der täglichen Routinediagnostik der Pathologie beruhen. Das Ziel war es, das globale Erwärmungspotenzial von Treibhausgasen zu messen und die nationale, internationale und zukünftige Entwicklung zu modellieren.

DL, als eine der vielversprechendsten KI-Technologien, kann prinzipiell alle Aufgaben in der Pathologie unterstützen oder übernehmen, zum Beispiel die Automatisierung quantitativer Bildanalysen. Dies kann zu einem verbesserten, schnelleren und präziseren Diagnoseprozess führen. Allerdings erfordern DL-Algorithmen erhebliche Rechenressourcen. Neu entwickelte DL-Modelle werden immer größer und damit rechenintensiver, was zu einem steigenden Energieverbrauch und somit erhöhten CO2eq-Emissionen führt.

Photo
Menge an CO₂eq bei Anwendung eines großen DL Models auf alle pathologischen Fälle des Instituts für Pathologie der Uniklinik RWTH Aachen in einem Jahr.

Bildquelle: Uniklinik RWTH Aachen; adaptiert von: Sadr AV et al., Lancet Digital health 2023 (CC BY 4.0)

Bei medizinischen Anwendungen, einschließlich der Pathologie, liegt der aktuelle Hauptschwerpunkt bei der DL-Entwicklung auf der Verbesserung der Leistung, während Energieverbrauch und globales Erwärmungspotenzial bislang keine Berücksichtigung finden. Dies ist auch auf den Mangel an Daten zu den möglichen Folgen der DL-Implementierung zurückzuführen. Hierzu führten Prof. Boor und sein Team eine ökologische Nachhaltigkeitsanalyse einer theoretischen Implementierung von DL in der Pathologie durch. Die Wissenschaftlerinnen und Wissenschaftler entwickelten ein CO2eq-Berechnungsmodell, das der Gemeinschaft zur Verfügung steht. Dies ermöglicht jedem Pathologiezentrum, seine in der Diagnostik entstehende CO2eq-Belastung zu modellieren. So hat die Studie gezeigt, dass die Anwendung eines großen DL-Models auf alle Pathologiefälle im Institut für Pathologie der Uniklinik RWTH Aachen bis zu 2795 Tonnen von CO2eq pro Jahr zur Folge hätte. Um diese Menge von CO2 zu binden, wären circa 32% des gesamten Waldes im Gebiet der Stadt Aachen notwendig. Wenn man diese theoretische Modellierung auf nationale Ebene übertragen und Nachhaltigkeit bei der Entwicklung und Implementierung von DL in der Pathologie keine Rolle spielen würde, könnte bereits im Juni 2027 die Kapazität des gesamten Waldes in Deutschland nur durch diese Emissionen ausgeschöpft werden.

Auch wenn sich unsere Studie nur mit der Analyse von Bildern in der Pathologie befasst hat, wären die ökologischen Konsequenzen von täglicher uneingeschränkter Nutzung von digitalen Bildmedien und KI ebenfalls zu überdenken

Peter Boor

Es gibt jedoch potenzielle Lösungen, um den Energieverbrauch zu senken und gleichzeitig die Effizienz der DL-Modelle beizubehalten oder sogar zu verbessern. „Unsere Ergebnisse unterstreichen die Bedeutung der Berücksichtigung von CO2eq-Emissionen bei der Implementierung und Entwicklung von DL in der Pathologie und bieten ermutigende Szenarien und mögliche Lösungen für eine umweltverträgliche oder grüne KI beziehungsweise DL“, sagt Prof. Boor. Die Datenreduktion sowie Nutzung von einfacheren DL-Modellen sind nur einige der möglichen Strategien, die Emissionen zu verringern. Letztendlich würde dies auch die Kosten für die notwendige Energie deutlich reduzieren. 

„Unsere Daten deuten darauf hin, dass eine breitete Verwendung von DL in der Pathologie ein erhebliches Potenzial zur globalen Erwärmung haben könnte. Dies könnte eine sehr relevante Einschränkung für die Anwendung von DL sein. Unsere Daten zeigen, wie wichtig es ist, die CO2-Emission zu verstehen, konkret zu berechnen und die Nachhaltigkeit bei der Entwicklung und Implementierung von DL in der Pathologie zu berücksichtigen. Auch wenn sich unsere Studie nur mit der Analyse von Bildern in der Pathologie befasst hat, wären die ökologischen Konsequenzen von täglicher uneingeschränkter Nutzung von digitalen Bildmedien und KI ebenfalls zu überdenken“, betont Prof. Boor. 


Quelle: Uniklinik RWTH Aachen

26.11.2023

Verwandte Artikel

Photo

News • KI-basierte Gewebeanalyse

Morphometrie der nächsten Generation soll Pathologie revolutionieren

Eine neu KI-basierte Methodik kann histologische Gewebeproben objektivierbar und quantitativ in sehr großer Anzahl auswerten. Dieser „Pathomics“-Ansatz könnte die Pathologie revolutionieren.

Photo

News • Entwicklung von Technik und Versorgung

Wie sich der Gesundheitssektor in den nächsten 50 Jahren wandeln wird

KI, Robotik, Klimawandel: Schwedische Forscher skizzieren neue Technologien und Trends, die das Gesundheitswesen in den nächsten 50 Jahren bestimmen könnten.

Photo

News • Pathologie-Datentraining

Neues KI-Tool schließt von häufigen auf seltene Erkrankungen

Seltene Erkrankungen sind eine Herausforderung für die Diagnostik per KI, weil es kaum Trainingsdaten gibt. Ein neues Tool kann nun auch mit Daten von häufigen Befunden diese Krankheiten erkennen.

Verwandte Produkte

Newsletter abonnieren