--- title: "Computergestützte Befundung im Kontext der Magnetresonanztomographie" language: "de" type: "post" original_url: "https://www.atlas-digitale-gesundheitswirtschaft.de/blog/2020/08/19/computergestuetzte-befundung-im-kontext-der-magnetresonanztomographie/" human_version: "../../../../../mensch/blog/2020/08/19/computergestuetzte-befundung-im-kontext-der-magnetresonanztomographie/" date: "2020-08-19" section: "Review-Artikel" categories: ["Diagnostik", "KI", "Krankenhaus"] author: "Jonathan Koß" reading_time: "8 Min." description: "Welchen Mehrwert können computergestütze und auf KI basierende Befunde im Kontext der Magnetresonanztomographie für Krankenhäuser bieten?" publisher: "Lehrstuhl für Management und Innovation im Gesundheitswesen, Universität Witten/Herdecke" --- # Computergestützte Befundung im Kontext der Magnetresonanztomographie *19.08.2020 · Review-Artikel · Von Jonathan Koß* Spätestens seit der Reform der Krankenhausfinanzierung 2009, die eine Vergütung durch Fallpauschalen festsetzte, stehen stationäre Einrichtungen unter einem zunehmenden Kostendruck. Diese sogenannten Diagnose Related Groups (DRG) legen einen fixen Erstattungspreis für eine bestimmte Behandlung und zugehörige medizinische Maßnahmen (Prozeduren) fest. Der festgelegte Erstattungspreis basiert auf Durchschnittskalkulationen ausgewählter Krankenhäuser (1). Dies bedeutet, dass Krankenhäuser, die überdurchschnittlich viele Ressourcen für einen Behandlungsfall benötigen, einen Verlust erleiden, weil dieser Mehraufwand nicht vollständig vergütet wird. Die Magnetresonanztomographie (MRT) ist die siebt häufigste Prozedur in deutschen Krankenhäusern (2). Die manuelle Befundung der MRT Aufnahmen erfordert viel Zeit und ist mit Fehlern verbunden. Neuartige, auf künstlicher Intelligenz (KI) basierende Anwendungen sollen die Befundung unterstützen. Welchen Mehrwert können diese KI basierten MRT Auswertungen für Krankenhäuser bieten? ### **Magnetresonanztomographie als zentrales Werkzeug** Ungefähr 619 von 1925 Krankenhäusern in Deutschland verfügen über MRT Geräte (3). Das MRT ist ein bildgebendes, diagnostisches Verfahren, das eine Analyse von Organen und Gewebe ermöglicht (4, 5). Beispielsweise wird das MRT genutzt, um Prostatakrebs, die sechshäufigste Erkrankung bei Männern und einer der häufigsten Diagnosen in deutschen Krankenhäusern, zu identifizieren und die Progression zu beobachten (2). #### **Manuelle Bewertungen sind kostenintensiv und fehleranfällig** Die Befundung erfolgt manuell durch Radiologen. Dieser Prozess ist zeitaufwendig und führt zu hohen Personalkosten, insbesondere bei notwendigen regelmäßigen Screenings durch die Diagnose Prostatakarzinom (6, 7). Gleichzeitig erfordert die manuelle Auswertung eine hohe Expertise, um eine richtige Bewertung abgeben zu können. Trotz hoher Ressourcen- und Zeitinvests liegt die aktuelle Quote von falschen negativ-Befunden bei 30 Prozent (7). #### **KI für eine effiziente Begutachtung** Maschinelles Lernen (ML) ist eine Form der KI und eine vielversprechende Methode zur Merkmalserkennung in Bildern. Auf ML basierende, computerunterstützte Diagnosesysteme (CAD-Systeme) im Kontext der Befundung von MRT-Aufnahmen halten vielversprechende Anwendungsmöglichkeiten bereit (8). Hierzu werden die MRT-Bilder in den zuvor angelernten Algorithmus eingespeist. Ist eine entsprechende IT-Infrastruktur vorhanden, kann die Einspeisung der MRT-Aufnahmen automatisiert erfolgen. Anschließend erfolgen mehrere Verarbeitungsschritte, auch Pipeline genannt. In dieser Pipeline erfolgt zunächst eine Bilderkennung, die die auszuwertenden MRT-Bilder zueinander ausrichtet, sodass diese in einer Aufnahme integriert werden können. Dies ermöglicht Probleme wie Bilddrehung, Skalierung und Schräglage zu überwinden, die bei der Überlagerung von Bildern häufig auftreten. Anschließend erfolgt eine Segmentierung des Bildes in mehrere Schichten. Basierend auf diesen Schichten werden unterschiedliche pharmakogenetische Merkmale, sogenannte „Features“, extrahiert (7-9). Beispielsweise erkennt der Algorithmus die Perfusion oder das Blutvolumen in einem Segment. Basierend auf diesen Merkmalen klassifiziert der Algorithmus die Aufnahmen hinsichtlich gut- oder bösartiger Segmente in einer farblichen Darstellung (9). #### **Letzen Endes entscheidet der Arzt** Der Algorithmus zeigt, welche Stellen verdächtig sind und einer intensiven Befundung bedürfen. Die Diagnose stellt und verantwortet jedoch weiterhin der Radiologe. Erste Studien zeigen, dass einerseits die Fehlerrate sinkt, während die Zeit der Begutachtung verkürzt wird (8). Exemplarisch konnte festgestellt werden, dass die CAD-Systeme den Zeitaufwand der Befundung von MRT-Aufnahmen bis zu 50 Prozent reduzieren, während Sensitivität und Spezifität gleich blieben oder verbessert wurden (5, 8). #### **Zuverlässigkeit im Versorgungsalltag ist unklar** Die ersten, vielversprechenden Ergebnisse sind jedoch kritisch zu bewerten. Bevor ML umfassend in klinische Arbeitsabläufe integriert werden kann, muss eine verlässliche Anwendung im Versorgungsalltag sichergestellt werden. Die Diagnosequalität im Alltag könnte stark variieren. Einerseits ist schwierig nachzuvollziehen, wie konsistent der zugrundeliegende Trainingssetz des ML-Algorithmus ist (8). Andererseits kann die Vielzahl von MRT-Geräten und die damit einhergehenden Unterschiede der Hardware, die in Algorithmen unter Umständen nicht berücksichtigt sind, zu falschen Diagnosen führen (5, 8). ### **Potentiale und Grenzen** Durch den steigenden Kostendruck und der damit einhergehenden, zunehmenden Arbeitsbelastung besteht die Chance, Qualität, Effizienz und den Durchsatz einer großen Anzahl von MRT-Befunden mittels computerunterstützter Diagnosesysteme zu optimieren. So könnten Personalkosten gespart werden, während die Diagnosequalität steigt, sodass die Wettbewerbsfähigkeit insgesamt zunimmt. Gleichzeitig müssen Risiken berücksichtigt werden. Um sicherzustellen, dass in der Entwicklung keine fehlerhaften Datensätze genutzt werden, könnte eine kooperative Entwicklung mit Anbietern entsprechender Lösungen vollzogen werden. Des Weiteren müssen entsprechende Lösungen eine CE-Kennzeichnung besitzen, um überhaupt eingesetzt werden zu dürfen, sodass dieses Kennzeichen eine erste Orientierung bei der Begutachtung verfügbarer Lösungen gibt. Sobald verlässliche Produkte verfügbar sind, sollte eine Implementierung in Betracht gezogen werden, insofern die Kosten des CAD-Systems die Einsparungen durch die gesteigerte Effizienz nicht überschreiten. Um Wartungs- und Anschaffungskosten möglichst gering zu halten, könnten Leasing Verträge genutzt werden. Quellen 1. Deutsche Krankenhausgesellschaft D. Allgemeine und Spezielle Kodierrichtlinien für die Verschlüsselung von Krankheiten und Prozedure 2019 [zum Original](https://www.dkgev.de/fileadmin/default/Deutsche_Kodierrichtlinien_Version_2020.pdf). 2. Augurzky B, Fels K, Wübker A. BARMER GEK Report Krankenhaus 2016 BARMER GEK; 2016 [zum Original](https://www.barmer.de/resource/blob/1026492/7729cf79a2d2610092725d789517a828/barmer-gek-report-krankenhaus-2016-data.pdf) 3. Klauber J, Geraedts M, Friedrich J, Wasem J. Krankenhausreport 2018 2018. [zum Original](https://www.wido.de/fileadmin/Dateien/Dokumente/Publikationen_Produkte/Buchreihen/Krankenhausreport/2018/Kapitel%20mit%20Deckblatt/wido_khr2018_gesamt.pdf) 4. Bernal J, Kushibar K, Asfaw DS, Valverde S, Oliver A, Marti R, et al. Deep convolutional neural networks for brain image analysis on magnetic resonance imaging: a review. Artif Intell Med. 2019;95:64-81[zum Original](http://doi.org/10.1016/j.artmed.2018.08.008) 5. Nelson CR, Ekberg J, Fridell K. Prostate Cancer Detection in Screening Using Magnetic Resonance Imaging and Artificial Intelligence. The Open Artificial Intelligence Journal. 2020;6(1):1-11 [zum Original](http://doi.org/10.2174/1874061802006010001) 6. Padhani AR, Turkbey B. Detecting Prostate Cancer with Deep Learning for MRI: A Small Step Forward. Radiology. 2019;293(3):618-9 [zum Original](http://doi.org/10.1148/radiol.2019192012) 7. Giannini V, Mazzetti S, Armando E, Carabalona S, Russo F, Giacobbe A, et al. Multiparametric magnetic resonance imaging of the prostate with computer-aided detection: experienced observer performance study. Eur Radiol. 2017;27(10):4200-8 [zum Original](http://doi.org/10.1007/s00330-017-4805-0) 8. Goldenberg SL, Nir G, Salcudean SE. A new era: artificial intelligence and machine learning in prostate cancer. Nat Rev Urol. 2019;16(7):391-403 [zum Original](http://doi.org/10.1038/s41585-019-0193-3) 9. Giannini V, Mazzetti S, Vignati A, Russo F, Bollito E, Porpiglia F, et al. A fully automatic computer aided diagnosis system for peripheral zone prostate cancer detection using multi-parametric magnetic resonance imaging. Comput Med Imaging Graph. 2015;46 Pt 2:219-26 [zum Original](http://doi.org/10.1016/j.compmedimag.2015.09.001) #### Verwandte Artikel - [Cybersicherheit im stationären Umfeld – eine beherrschbare Aufgabe?](../../07/27/cybersicherheit-im-stationaeren-umfeld.md) - [Stationäre Versorgung – Das nächste Krankenhaus ist digital](../../../2019/11/28/digitales-krankenhaus.md) - [Eine Frage der Corporate Digital Responsibility – Algorithmen in der Diagnostik verantwortungsvoll einsetzen](../18/eine-frage-der-corporate-digital-responsibility.md) **Kategorien:** Diagnostik, KI, Krankenhaus ## Bilder auf dieser Seite - shutterstock_535093768-1320x704.png: ../../../../../mensch/assets/bilder/wp-content/uploads/2022/04/shutterstock_535093768-1320x704.png --- Diese Seite ist für KI-Systeme optimiert. Version für Menschen: [Computergestützte Befundung im Kontext der Magnetresonanztomographie](../../../../../mensch/blog/2020/08/19/computergestuetzte-befundung-im-kontext-der-magnetresonanztomographie/)