Machine Vision and MR – solving the problems together

Quelle: creisinger/depositphotos

Artikel • Mensch und Maschine in der Radiologie

Schöne neue Welt

Werden die Maschinen die Menschen in der Radiologie eines Tages ersetzen? Die digitale Revolution, die mit der Einführung Künstlicher Intelligenz zurzeit eine spektakuläre neue Wendung nimmt, führt in eine ungewisse Zukunft. Doch die Technik war schon immer Freund, nicht Feind des Radiologen.

Deshalb haben die Kongresspräsidenten des 18. MRT Symposium Garmisch ihre Veranstaltung ganz bewusst unter das positiv konnotierte Motto gestellt: „Machine Vision and MR: Solving the Problems Together“. Zusammen mit Prof. Dr. Dr. h.c. Hedvig­ Hricak und Prof. Dr. Dr. h.c. Maximilian Reiser als MR Garmisch-Gastgeber der ersten Stunde, wird Prof. Dr. Jens Ricke die Teilnehmerinnen und Teilnehmer erstmals als Tagungspräsident empfangen. Ein Schritt, der sich logisch und richtig anfühlt, nachdem Jens Ricke im Juni 2017 die Nachfolge von Max ­Reiser als Direktor der ­radiologischen Klinik an der LMU ­München antrat und bereits das CT ­Symposium Garmisch­­ 2018 an vorderster Front mitgestaltete.

portrait of jens ricke
Tagungspräsident Prof. Dr. Jens Ricke

Im Folgenden verrät Jens Ricke seine ganz eigene Vision darüber, wie Künstliche Intelligenz die Zukunft der Radiologie beeinflussen wird:

"Wenn wir über Zukunftsvisionen sprechen, ist das auch immer ein ganz persönliches Glaubensbekenntnis. Ob wir Recht behalten, können wir erst im Nachhinein sagen. Eines kann man jedoch leicht vorwegnehmen: Ein Schicksal, in dem die Roboter sich kraft künstlicher Intelligenz verselbständigen und die Herrschaft an sich reißen, steht der Radiologie jedenfalls nicht bevor. Solche Szenarien, wie wir sie bevorzugt von B-Movies aus Hollywood kennen, haben sich allerdings tief im kollektiven Gedächtnis festgesetzt. Auch ist der Begriff „Künstliche Intelligenz“ (KI) ohnehin nicht klar definiert, was viel Raum für Spekulationen lässt. Versuchen wir, uns dem anzunähern, was KI eigentlich ausmacht, dann sind es im Wesentlichen zwei Dinge: maschinelles Lernen und automatisiertes intelligentes Verhalten. Welchen Nutzen bringt das für die Radiologie? Um diese Frage zu beantworten, hilft es, sich die besondere Stärke und gleichzeitig Schwäche dieses Fachs vor Augen zu führen: die Radiologie generiert Daten, unendlich viele Daten. Zwei Bereiche sind es, die im Wesentlichen von KI profitieren werden: zum einen die Bildanalyse mit neuartigen Techniken weit jenseits der Morphologie und zum anderen die klinischen Workflows in Diagnostik und Therapie durch komplexe Eingriffe in unsere Standardprozeduren.

Bilder sind Daten

Im Alltag denken wir nicht weiter darüber nach, dass all diese Knie-, Leber- und Kopf-MRT, die wir uns tagtäglich anschauen, elektronische Datensätze sind, die eine Fülle offensichtlicher, aber auch verdeckter Informationen enthalten. Letztere gehen weit über das hinaus, was wir mit dem bloßen Auge erfassen können. Wenn wir es schaffen, auch an die bislang brach liegenden Informationen heranzukommen, wird der medizinische Erkenntnisgewinn erheblich sein. Nun liegen radiologische Bilddokumente glücklicherweise schon heute gut strukturiert in riesigen Digitalarchiven vor, weshalb das KI-Feld Radiomics als eines der ersten Fahrt aufgenommen hat. Dabei lernen Computerprogramme, auf der Basis großer Datenmengen jenseits der Morphologie quantitative Bildmerkmale zu erkennen und in statistische Aussagen über Gewebeeigenschaften, Diagnosen und Krankheitsverläufe zu übersetzen.

Dieser Artikel könnte Sie auch interessieren

Photo

Artikel • Therapiemonitoring

Wettlauf: Liquid Biopsy versus Radiomics

Die Entwicklung neuer Verfahren für präzises Therapiemonitoring in der Onkologie nimmt Fahrt auf. Die sogenannte Liquid Biopsy (Flüssigbiopsie) ist eines davon. Dank dieser neuen Labortechnik kann anhand einer Blutprobe nichtinvasiv freie Tumor-DNA identifiziert, charakterisiert und überwacht werden. Die Liquid Biopsy hat das Potenzial, die onkologische Diagnostik zu revolutionieren – und…

wooden mannequins working together to complete a jigsaw puzzle, teamwork
Quelle: creisinger/depositphotos

Bei der automatisierten Bilderkennung handelt es sich keineswegs um eine futuristische Neuheit. Einfache Computerdiagnosesysteme existierten bereits in der Radiologie, als ich selbst in diesem Fach angefangen habe. Das Wort „CAD“, computer-aided diagnostics, wurde mittlerweile durch „KI“, künstliche Intelligenz, ersetzt – und natürlich sind die Deep-Learning-Algorithmen von heute um Quanten­sprünge besser und eben intelligenter geworden. Das Spektrum der Möglichkeiten ist dabei sehr breit: aus einer Fülle von Thoraxaufnahmen lässt sich treffsicher ein Pneumothorax herausfiltern und zur Verifikation markieren – ich kann mir keinen übernächtigten Radiologen im Bereitschaftsdienst vorstellen, der hierfür nicht dankbar wäre. Weit fortgeschrittener: spezielle Algorithmen errechnen schon heute (sic!) aufgrund quantitativer Merkmale die Wahrscheinlichkeit einer definierten Genmutation einer kolorektalen Lebermetastase im MRT-Bild.

Mehr als nur ein Hype

KI in der Radiologie bedeutet nicht wissenschaftliche Forschung in akademischen Elfenbeintürmchen, sondern ist längst Teil konkreter industrieller Entwicklungen. Die zahlreichen Technologieunternehmen, die zurzeit an KI-Anwendungen arbeiten, haben ein großes Interesse daran, diese so schnell wie möglich in kommerzielle Produkte und Dienstleistungen zu überführen. Gehen Sie also davon aus, dass KI-Verfahren mehr als nur ein Hype sind!  Ohnehin haben Algorithmen und Big Data alle Ihre Lebens- und Arbeitsbereiche erfasst, wenn Sie nicht Eremit und Selbstversorger sind. Wir müssen nur unser Smartphone öffnen und sind schon mittendrin. Wie genau die künstlichen Systeme ausgerechnet die Radiologie verändern werden, können wir zum jetzigen Zeitpunkt natürlich kaum exakt vorhersagen. Ganz sicher stehen wir am Anfang einer umwälzenden Bewegung und es wird spektakulär sein, mit welcher Geschwindigkeit neue Ideen über mögliche Anwendungsfelder ausgelotet wer­den­.

Wie KI die Radiologie (wahrscheinlich) verändern wird

Wird die ärztliche Handlungsfreiheit das Evidenzargument aus Big Data und Künstlicher Intelligenz überleben?

Jens Ricke

Ein Blick in die Industrieausstellung des letzten RSNA lehrt, dass KI in der Radiologie sich aktuell am rasantesten als Workflowthema entwickelt. Ich bin sicher, dass sich in jeder noch so effizient geführten radiologischen Praxis oder Klinik Felder finden lassen, Arbeitsabläufe mithilfe intelligenter Software weiter zu optimieren. Dabei geht es insbesondere um zweierlei: zum einen den effizienten Umgang mit knapper werdenden menschlichen Ressourcen bei der Durchführung diagnostischer Untersuchungen; zum anderen die Optimierung der Datenintegration und Datenanalyse, um über optimale Entscheidungsbäume effizienter und medizinisch treffsicherer zu werden. 

Die Arbeitsbelastung für das medizinische Personal, egal ob ärztlich oder nicht-ärztlich, nimmt analog zu steigenden Untersuchungszahlen immer weiter zu, und spezialisiertes Personal ist heute kostbar. Ich bezweifle, dass künftig Algorithmen alle anfallenden Tätigkeiten vollständig übernehmen werden, sodass am Ende nichts mehr für den Menschen zu tun bleibt. Mit entsprechenden Softwarelösungen ließe sich jedoch der Arbeitseinsatz spezialisierter (und teurer) Mitarbeiter deutlich effektiver gestalten – man denke an die Steuerung multipler Geräte durch wenige Personen mit spezieller Ausbildung bei ausgeklügelter Softwareunterstützung. 

Das größte Potential haben KI-Entwicklungen zweifelsohne in der Steuerung von Workflows über die Beeinflussung von Entscheidungspfaden während der diagnostischen Aufarbeitung eines Patienten bis zur Therapieempfehlung. Natürlich stellt die Bildinformation radiologischer Untersuchungen nur einen begrenzten Ausschnitt der Daten dar, die zur Behandlungsempfehlung führen. Die schrittweise Datenakquise in der Radiologie, im Labor, in der Pathologie oder Mikrobiologie und eben im Gespräch und der körperlichen Untersuchung müsste schon heute nach den Prinzipien evidenzbasierter Medizin in reproduzierbare, logische Prozesse münden. Um dies zu ermöglichen, braucht es nicht nur eine äußerst komplexe Datenintegration und Datenverarbeitung, sondern eigentlich auch die Verknüpfung der Entscheidungsprozesse mit dem tagesaktuellen wissenschaftlichen Erkenntnisgewinn. Das bedeutet nicht weniger als die Herkulesaufgabe, den Weg von der ersten Untersuchung bis zur Therapie und hoffentlich Genesung immer wieder aktualisiert dem letzten Wissensstand zu unterwerfen – ein visionäres, aus Datenverarbeitungssicht aber eigentlich triviales Szenario. Der vorsichtige Einstieg in solche Prozesse ist gemacht: Längst findet sich in digitalen Patientenakten die Verknüpfung der medizinischen Informationen vom Patientenvorgespräch bis zu den einzelnen Befundergebnissen aller Untersuchungen. Was kläglich fehlt – insbesondere übrigens in der Radiologie – ist die Dokumentation der Untersuchungsergebnisse in standardisierter, strukturierter Form. Die strukturierte Datenerfassung ist Bedingung für die automatisierte Auswertung der Daten – für maschinelles Lernen genau so wie automatisiertes intelligentes Verhalten, beispielsweise das Errechnen von Therapieempfehlungen. Die Auswertung strukturierter Patientendaten ist nichts anderes als der Urquell automatisierten Lernens, über das wir KI und Big Data definieren.

Dieser Artikel könnte Sie auch interessieren

Photo

Artikel • KI mit Struktur

Machine Learning: Der Griff in die Gemüsekiste

Einheitliche und gut strukturierte Daten sowie die Definition einer klaren Aufgabe sind unabdingbare Voraussetzungen für die Implementierung von Künstlicher Intelligenz in die klinischen Abläufe. „Frage nicht was Künstliche Intelligenz für dich tun kann, sondern was du für Künstliche Intelligenz tun kannst!“: Diese Abwandlung des bekannten Spruches von John F. Kennedy formuliert Dr.…

Nicht unterschlagen möchte ich an dieser Stelle einen Gewissenskonflikt, den wir möglicher Weise künftig ausfechten werden: Ist es in unserer Vorstellung von Medizin als Idealzustand zu betrachten, wenn standardisierte Handlungsschemata, durch Künstliche Intelligenz aus Big Data errechnet, individualisierte ärztliche Entscheidungen ersetzen? Heute nennen wir es ärztliche Handlungsfreiheit, wenn individuelle soziale Faktoren, die Persönlichkeit des Patienten und intuitive variablen Diagnose- und Therapieentscheidungen beeinflussen. Wird die ärztliche Handlungsfreiheit das Evidenzargument aus Big Data und Künstlicher Intelligenz überleben?

Umgang mit Daten geht alle an

Die Diskussion darüber, inwieweit Computer unsere ärztliche Handlungsfreiheit einschränken, wenn sie anfangen, Bilder und Daten für uns zu interpretieren und daraus Therapieempfehlungen zu errechnen, wird uns noch intensiv beschäftigen. Mit „uns“ meine ich uns alle: Gesellschaft, Wissenschaft, Politik und Wirtschaft. Am Ende läuft es auf die alles entscheidende Frage hinaus: wer hat die Hoheit über die Daten? Wer steuert die Datenanalysen und wer bestimmt, welche Daten einfließen, wie Ergebnisse bewertet werden und welche Konsequenzen sie haben? Und sind Ergebnisse, die eine Künstliche Intelligenz aus Big Data extrahiert, jemals „neutral“ oder gar „wahrhaftig“? Wer das glaubt, sollte bitte das manipulative Potential populärer Sozialer Medien wie Facebook & Co bedenken. Ich denke, die Skandale und Diskussionen der letzten Jahre mindern unsere Naivität im Umgang mit unseren persönlichen Daten oder – mindestens so wichtig! – mit der Informationsauswahl, die uns tagtäglich für unsere ganz persönliche Datenverarbeitung und Meinungsbildung vorgesetzt wird. 

Trotz allem! Ich bleibe leidenschaftlicher Optimist und bin überzeugt, dass wir gute Lösungen der ethischen, sozialen und rechtlichen Herausforderungen finden werden. Die neuen Zukunftstechnologien werden das Leben dramatisch verändern und verbessern – wir müssen unsere Chancen eben mit Verantwortungsbewusstsein, Bedachtsamkeit und großer Begeisterung angehen."

Ihr Jens Ricke

Tagungspräsident

16.01.2019

Mehr aktuelle Beiträge lesen

Verwandte Artikel

Photo

News • Künstliche Intelligenz

KI-Anwendungen in der Medizin sicherer machen

Die Hochschule Landshut startet Forschungsprojekt mit dem Münchner KI-Unternehmen deepc, um die Sicherheitsstandards bei der Anwendung von Künstlicher Intelligenz in der medizinischen Bildgebung zu…

Photo

Artikel • KI, Automatisierung, virtuelle Helfer

MTRA der Zukunft: voll vernetzt und mit KI-Verstärkung

Die Radiologie entwickelt sich mit großen Schritten weiter, das bekommen natürlich auch MTRAs zu spüren: Insbesondere künstliche Intelligenz (KI) und Automatisierung sind im Begriff, das…

Photo

Artikel • Round Table Session beim ECR 2023

Künstliche Intelligenz: der Hunger auf Radiologie-Daten

Künstliche Intelligenz (KI) ist auf große Mengen von Daten angewiesen. Jüngste Initiativen der EU könnten den Austausch von radiologischen Daten zwischen öffentlichen Gesundheitseinrichtungen…

Verwandte Produkte

Newsletter abonnieren