» Inhaltsübersicht
Review-Artikel
7 Min.

KI in der medizinischen Bildgebung. Quo vadis?

Nach einer aktuellen Meta-AnalyseEine Meta-Analyse basiert auf der Recherche von Literatur zu einem ähnlichen Themenfeld. Die Ergebnisse von Studien, die dieselbe Frage erforschen, werden quantitativ zusammengefasst und bewertet. So kann die Evidenz der Erkenntnisse dargestellt werden, indem mehrere kleine Studien zu einem großen Ganzen mit mehr Aussagekraft generiert werden.zum Glossar der Universität Birmingham ist die Diagnosegenauigkeit von Deep-Learning-Modellen (KI)Künstliche Intelligenz (KI) impliziert den Versuch menschliches Lernen und Denken dem Computer anzueignen. Problemstellungen sollen von Computersystemen mit Hilfe großer Datenbestände gelöst werden, für die ein Mensch seine Intelligenz benötigt. Im Bereich der Radiologie beispielsweise kann die künstliche Intelligenz Ärzte bei der Befundung unterst… Im Video erklärt.zum Glossar in der bildgebenden Diagnostik ungefähr vergleichbar mit der von medizinischem Fachpersonal. Bevor jedoch aussagefähige Ergebnisse und Einsatzempfehlungen für den klinischen Alltag abgeleitet werden können, bedarf es aktuell weiterer vergleichender Forschungen.

Hintergrund, Antwort und das große „Aber“

Jedes Jahr werden mehrere tausend Studien zu KIKünstliche Intelligenz (KI) impliziert den Versuch menschliches Lernen und Denken dem Computer anzueignen. Problemstellungen sollen von Computersystemen mit Hilfe großer Datenbestände gelöst werden, für die ein Mensch seine Intelligenz benötigt. Im Bereich der Radiologie beispielsweise kann die künstliche Intelligenz Ärzte bei der Befundung unterst… Im Video erklärt.zum Glossar in wissenschaftlichen Fachzeitschriften veröffentlicht (1). Mit Fokus auf das Gesundheitswesen wird hierbei vermehrt postuliert, dass die neuste Form von KIKünstliche Intelligenz (KI) impliziert den Versuch menschliches Lernen und Denken dem Computer anzueignen. Problemstellungen sollen von Computersystemen mit Hilfe großer Datenbestände gelöst werden, für die ein Mensch seine Intelligenz benötigt. Im Bereich der Radiologie beispielsweise kann die künstliche Intelligenz Ärzte bei der Befundung unterst… Im Video erklärt.zum Glossar dem Fachpersonal bildgebunden arbeitender Disziplinen überlegen sei. Dies könnte angesichts der wachsenden Inanspruchnahme von Bildgebungsleistungen Kapazitäten in der Ressourcenauslastung freisetzen.

Forscher der Universität Birmingham gehen in einer aktuellen Meta-AnalyseEine Meta-Analyse basiert auf der Recherche von Literatur zu einem ähnlichen Themenfeld. Die Ergebnisse von Studien, die dieselbe Frage erforschen, werden quantitativ zusammengefasst und bewertet. So kann die Evidenz der Erkenntnisse dargestellt werden, indem mehrere kleine Studien zu einem großen Ganzen mit mehr Aussagekraft generiert werden.zum Glossar (2) der dieser Aussage nach. Sie konnten zeigen, dass die Diagnosegenauigkeit von KIKünstliche Intelligenz (KI) impliziert den Versuch menschliches Lernen und Denken dem Computer anzueignen. Problemstellungen sollen von Computersystemen mit Hilfe großer Datenbestände gelöst werden, für die ein Mensch seine Intelligenz benötigt. Im Bereich der Radiologie beispielsweise kann die künstliche Intelligenz Ärzte bei der Befundung unterst… Im Video erklärt.zum Glossar und medizinischem Fachpersonal ungefähr vergleichbar, ein Übertragen der Ergebnisse auf die klinische Realität gleichzeitig aufgrund diverser methodischer Limitationen nur schwer möglich ist. Im Folgenden werden die wesentlichen methodischen Limitationen bisheriger Studien skizziert sowie Ziele für die künftige Forschung und Standardisierung zu diesem Bereich genannt.

Fehlender Bezug zum klinischen Alltag

Im klinischen Alltag werden neben Bilddaten weitere Informationsquellen zur Diagnosefindung verwendet. Eine Arbeitsdiagnose kann sich in Abhängigkeit von den zur Verfügung stehenden Informationen verändern. Konträr dazu nutzte eine Mehrzahl retrospektiv durchgeführter Studien ausschließlich im Vorfeld erstellte Bilddatensätze.

Das tatsächliche diagnostische Vorgehen scheint so nur fraglich abgebildet zu werden. Erschwerend kamen heterogene Definitionen der Metriken zur Erfassung der Diagnosegenauigkeit hinzu, die sich zudem häufig als für den klinischen Gebrauch weniger nützlich darstellten.

Keine Einigkeit in der Datenbasis und Trainingsmethodik

Die für das Training und die Validierung von KI-Modellen genutzten Datensätze sind selten qualitätsgeprüft, standardisiert oder auf die Testung an neuen Populationen übertragbar. Verzerrungen in Studienergebnissen (3) können so statistisch nicht erfasst werden.

Studien zeigten inkonsistente Anwendungen von Kernelementen des KI-Trainings, etwa der Validation. Zuletzt erschwerten Intransparenzen der Berichterstattung, beispielsweise eine unvollständige Darstellung des Umgangs mit Datenlücken in den Datensätzen, die Vergleichbarkeit der Ergebnisse.

Immer noch eine Black Box

Das Black-Box Problem, die Unmöglichkeit, den „Entscheidungsprozess“ von Neuronalen NetzwerkenEin neuronales Netzwerk besteht aus einer Reihe von Algorithmen, die zugrunde liegende Beziehungen in einem Datensatz durch einen Prozess erkennen, der die Funktionsweise des menschlichen Gehirns nachahmt. Neuronale Netzwerke können sich an sich ändernde Eingaben anpassen und können dadurch unter Umständen bessere Ergebnisse als traditionelle Algor…zum Glossar transparent zu machen, erschwert eine Reproduzierbarkeit von Ergebnissen bis hin zur Unmöglichkeit. Neue Entwicklungen wie Heat-Maps erlauben die Lokalität zu visualisieren, die eine KIKünstliche Intelligenz (KI) impliziert den Versuch menschliches Lernen und Denken dem Computer anzueignen. Problemstellungen sollen von Computersystemen mit Hilfe großer Datenbestände gelöst werden, für die ein Mensch seine Intelligenz benötigt. Im Bereich der Radiologie beispielsweise kann die künstliche Intelligenz Ärzte bei der Befundung unterst… Im Video erklärt.zum Glossar für die Diagnosefindung genutzt hat.

Diese kann indes nicht den pathologischen Charakter einer Beobachtung beschreiben, welcher für die Nachvollziehbarkeit der Diagnose von höchster Bedeutung wäre. Scheinkorrelationen, die eine potentielle Gefahr für den Patienten darstellen, können somit weiter nicht ausgeschlossen werden.

Ziele für die KI-Forschung im Gesundheitswesen

Die Forscher leiten aus den skizzierten Limitationen einige Empfehlungen für die künftige Testung von KI-Modellen ab. Diese sind:

  1. Durchführung randomisierter, prospektiver klinischer Studien zur realitätsnäheren Testung der Modelle. Hierzu wäre ein international abgestimmter Leitfaden für die Entwicklung und Berichterstattung von Studien prädiktiver KIsKrankenhausinformationssysteme (KIS) umfassen alle Informations- und Kommunikationssysteme innerhalb eines Krankenhauses. Diese elektronischen Systeme machen es möglich, Daten zu erfassen und zu speichern, zu bearbeiten und auf Dauer zu nutzen. Die sowohl medizinischen als auch administrativen Daten werden innerhalb des Krankenhauses für alle Mitar… Im Video erklärt.zum Glossar (4) hilfreich.
  2. Nutzung einheitlicher Metriken zur Erfassung von Diagnosegenauigkeit. Diese sollten mindestens KontingenztafelnDer Begriff Kontingenz wird in der Statistik verwendet und beschreibt den Wahrscheinlichkeitsgrad eines Auftretens zweier Merkmale. Unter einer Kontingenztafel wird entsprechend die tabellarische Abbildung von absoluten oder relativen Häufigkeiten unterschiedlicher Merkmalsausprägungen und ihrer Kombinationen verstanden.zum Glossar entsprechend einer Wahrheitsmatrix sowie die Sensitivität und Spezifität der getesteten Modelle und Kliniker enthalten.
  3. Nutzung einer standardisierten und qualitätsgeprüften Datenbasis (Ground Truth), eines Referenzstandards für Trainingsdatensätze und einer systematischen Methodik zur externen Validierung. Klassifizierung von Studien ohne diese Elemente als lediglich Hypothesen-generierend.
  4. Nutzung einer einheitlichen Nomenklatur für Kernbegriffe der Deep-Learning-Studien. Die Autoren formulieren hier einen konkreten Vorschlag.
  5. Suche nach einer Lösung für das Black-Box Problem von KIsKrankenhausinformationssysteme (KIS) umfassen alle Informations- und Kommunikationssysteme innerhalb eines Krankenhauses. Diese elektronischen Systeme machen es möglich, Daten zu erfassen und zu speichern, zu bearbeiten und auf Dauer zu nutzen. Die sowohl medizinischen als auch administrativen Daten werden innerhalb des Krankenhauses für alle Mitar… Im Video erklärt.zum Glossar auf Basis ethischer, medizinischer, juristischer sowie politischer Überlegungen.

Fazit

Trotz der methodischen Limitationen der KI-Forschung, konnten vielversprechende Ergebnisse für die medizinische Bildgebung aufzeigt werden. Keine dieser Limitationen wurde als unüberwindbar beschrieben. Auch wenn der Nutzen von KI-Diagnoseunterstützung einer valideren Bewertungsmethode unterzogen werden muss, sollte die strategische Entwicklung bildgebunden arbeitender medizinischer Disziplinen darauf hin ausgerichtet werden, die möglichen Veränderungen im klinischen Arbeitsalltag und am Berufsbild als Chance für eine bessere, sichere und menschlichere Behandlung zu werten.

  1. Shoham Y, Perrault R, Brynjolfsson E, Clark J, Manyika J, Niebles J, et al. The AIKünstliche Intelligenz (KI) impliziert den Versuch menschliches Lernen und Denken dem Computer anzueignen. Problemstellungen sollen von Computersystemen mit Hilfe großer Datenbestände gelöst werden, für die ein Mensch seine Intelligenz benötigt. Im Bereich der Radiologie beispielsweise kann die künstliche Intelligenz Ärzte bei der Befundung unterst… Im Video erklärt.zum Glossar Index 2018 Annual Report. Stanford: Human-Centered AIKünstliche Intelligenz (KI) impliziert den Versuch menschliches Lernen und Denken dem Computer anzueignen. Problemstellungen sollen von Computersystemen mit Hilfe großer Datenbestände gelöst werden, für die ein Mensch seine Intelligenz benötigt. Im Bereich der Radiologie beispielsweise kann die künstliche Intelligenz Ärzte bei der Befundung unterst… Im Video erklärt.zum Glossar Initiative, Stanford University; 2018. zum Original
  2. Liu X, Faes L, Kale AU, Wagner SK, Fu DJ, Bruynseels A, et al. A comparison of deep learningDeep Learning ist ein Teilbereich des maschinellen Lernens, der neuronale Netzwerke zur Analyse verschiedener Faktoren mit einer Struktur verwendet, die dem menschlichen neuronalen System ähnlich ist. Der Vorteil von künstlichen neuronalen Netzen ist die tiefgehende Abstraktion von Zusammenhängen zwischen Eingabe-Daten und zwischen den abstrahierte…zum Glossar performance against health-care professionals in detecting diseases from medical imaging: a systematic review and meta-analysis. The Lancet Digital Health. 2019;1(6):e271-e97. zum Original
  3. Crawford K, Calo R. There is a blind spot in AIKünstliche Intelligenz (KI) impliziert den Versuch menschliches Lernen und Denken dem Computer anzueignen. Problemstellungen sollen von Computersystemen mit Hilfe großer Datenbestände gelöst werden, für die ein Mensch seine Intelligenz benötigt. Im Bereich der Radiologie beispielsweise kann die künstliche Intelligenz Ärzte bei der Befundung unterst… Im Video erklärt.zum Glossar research. Nature. 2016;538:311 – 3. zum Original
  4. Luo W, Phung D, Tran T, Gupta S, Rana S, Karmakar C, et al. Guidelines for Developing and Reporting Machine LearningMachine Learning ist ein iterativer Prozess und als Kategorie in das Feld der Künstlichen Intelligenz zu subsummieren. Es werden Algorithmen programmiert, welche initial an Datensets lernen und sich so auch ohne Weiteres selbstlernend entwickeln können. Demnach werden Vorhersagen ohne Regelwerk, auf Basis eingepflegter retrospektiver Daten durch Al… Im Video erklärt.zum Glossar Predictive Models in Biomedical Research: A Multidisciplinary View. J Med Internet Res. 2016;18(12):e323. zum Original

Kontakt
Lehrstuhl für Management und
Innovation im Gesundheitswesen
Universität Witten/Herdecke
Alfred-Herrhausen-Straße 50
58448 Witten, Deutschland