Präzisionsmedizin als Anwendungsgebiet
„Wir haben ein besseres Bild von dem, was bereits möglich ist und wo die Herausforderungen liegen. Radiologen können dank neuer Studien einen besseren Einblick gewinnen, wie künstliche Intelligenz ihre Expertise ergänzen kann“, so Dr. Wiro Niessen, Professor für biomedizinische Bildanalyse am Medizinischen Zentrum der Erasmus-Universität und an der Technischen Universität Delft, Niederlande.
Eine große Chance liegt in der Präzisionsmedizin, wo die Behandlung auf die individuelle Physiologie und Pathologie des Patienten zugeschnitten ist. Die Entwicklung der Präzisionsmedizin beruht auf der Sammlung großer Datenmengen und der Fähigkeit, diese zu interpretieren. Im letzten Schritt glaubt der Experte, dass die künstliche Intelligenz einen großen Einfluss haben kann, indem sie Radiologen Werkzeuge in die Hand gibt, mit denen sie schnellere, präzisere Diagnosen und Prognosen erstellen können, was zu einer effektiveren Behandlung führt.
Auswirkungen auf die Radiologie
Big Data und künstliche Intelligenz werden die Arbeitsweise der Radiologen verändern, fügte Niessen hinzu, denn Computer werden riesige Mengen an Patientendaten nutzen können, um Experten für ganz bestimmte Aufgaben zu werden. Entscheidend ist, dass die Bildgebung immer wichtiger wird, nicht weniger wichtig, und deshalb Big Data und die künstliche Intelligenz keine ernsthafte Bedrohung für die Disziplin darstellen.
„Es wird jedoch den Beruf grundlegend verändern, denn die Art und Weise, wie wir Diagnostik und Prognose im Krankenhaus durchführen werden, wird sich ändern“, erklärt Niessen. „Ich denke, dass es einen Trend hin zu diagnostischen Kompetenzzentren geben wird, in denen Daten, die jetzt von verschiedenen Abteilungen – z.B. Radiologie, Pathologie und klinische Labors – gesammelt und analysiert werden, gemeinsam von einer KI analysiert und unterstützt werden“.
Datenmanagement als Schlüssel zum Erfolg
„Wenn wir bildgebende Biomarker, wie z.B. das Volumen der grauen Zentralnervensystem-Substanz erhalten, gibt es oft keine Techniken, um Wissen aus diesen Daten zu extrahieren“, erläuterte Dr. Ángel Alberich-Bayarri, Forscher und wissenschaftlich-technischer Direktor in der Forschungsgruppe Biomedizinische Bildgebung an der La Fe Polytechnic and University Hospital in Valencia, Spanien, ebenfalls Sprecher am ECR 2018.
Quantitative radiologische Daten, die auf Workstations oder Post-Processing-Tools generiert werden, werden in der Regel nicht als Variablen in PACS oder Radiologie-Informationssysteme integriert. Andererseits werden die Ergebnisse von Bluttests üblicherweise an die elektronische Patientenakte gesendet, wo sie Jahr für Jahr verglichen und für die Nachsorge der Patienten und in Forschungsprojekten verwendet werden können, in dem Data-Mining-Techniken auf sie angewendet werden können.
Alberich-Bayarri befasst sich mit der IT-Infrastruktur, die für die Erfassung und Analyse quantitativer radiologischer Daten mittels KI erforderlich ist. In seinem Team können die Mitarbeiter automatisch Berichte im Klinischen Informationssystem generieren, um beispielsweise alle Patienten, die in den letzten drei Monaten ein Emphysem hatten, zu betrachten und Krankheitsphänotypen automatisch zu identifizieren. Diese Berichte enthalten Informationen darüber, ob sich ein Patient in einem Normbereich für relevante Biomarker befindet.
Daten als Grundlage des maschinellen Lernens
„Die größten Herausforderungen bei der Implementierung von Big Data und künstlicher Intelligenz in die klinische Praxis liegen in den Daten, die für die Ausbildung von maschinellen Lernsystemen benötigt werden“, kommentierte Dr. Marleen de Bruijne, außerordentliche Professorin für medizinische Bildanalyse am Erasmus University Medical Centre, Rotterdam, Niederlande, und an der Universität Kopenhagen.
Maschinelle Lernalgorithmen lernen eine Krankheit, z.B. ein Karzinom, anhand von Datensätzen zu erkennen, die Bilder von Karzinomen enthalten. Laut de Bruijne müssen diese Datensätze groß genug sein, um alle in der Klinik beobachteten Pathologien zu repräsentieren, die mit ähnlichen bildgebenden Verfahren gesammelt wurden.
Neben der Erkennung von Anomalien können die Algorithmen des maschinellen Lernens lernen, deren Ausprägung zu messen, was den Radiologen hilft, Bilder schneller und präziser zu interpretieren. Zukünftig könnten Algorithmen sogar bildgebende Biomarker finden, die mit dem menschlichen Auge nicht mehr zu erkennen sind.
Die Zukunft des Post-Processing liegt in der standardisierten und harmonisierten Quantifizierung von bildgebenden Biomarkern mit minimaler menschlicher Interaktion, so Alberich-Bayarri.
Um diese Biomarker jedoch für die Patientenversorgung nutzen zu können, muss nachgewiesen werden, dass diese klinisch wirksam und technisch gültig sind. Sie müssen ähnliche Ergebnisse liefern, wenn sie am gleichen Tag am gleichen Patienten gemessen werden. Ein Hirnvolumen-Biomarker muss auf Genauigkeit und Präzision überprüft werden, um sicherzustellen, dass er das Hirnvolumen richtig misst, fügte er hinzu.
Der ECR ist die Jahrestagung der European Society of Radiology (ESR), die mehr als 75.500 Mitglieder weltweit vertritt. Der ECR ist einer der größten medizinischen Kongresse der Welt und zieht mehr als 25.000 Kongressteilnehmer an. Mit 300 Unternehmen auf über 26.000 m² Ausstellungsfläche ist die technische Ausstellung auch eine der größten Europas.
Kontakt
ESR Press Office
David Zizka
Neutorgasse 9/2a, 1010 Wien
david.zizka(at)myesr.org