Die Gesundheitsbranche ist die am schnellsten wachsende Datenquelle der Welt und macht heute 30 % der globalen Daten aus. Das sind Tausende von Exabyte an Daten. Und medizinische Bilder machen 80 % bis 90 % der Gesundheitsdaten aus – eine unüberwindbare Menge der Daten die je verarbeitet werden kann.
Die Technologie, und insbesondere das maschinelle Lernen, verstärkt sich, um medizinisches Fachpersonal bei der Bewältigung der anstehenden Aufgabe zu unterstützen. Die ML-gestützte medizinische Bildanalyse verspricht, zeitaufwändige Verarbeitungsabläufe zu automatisieren, die Diagnosegenauigkeit zu verbessern und letztendlich bessere Patientenergebnisse zu erzielen. Aber obwohl KI-basierte Algorithmen Ärzte in einer Vielzahl von Anwendungen übertreffen können, haben Patienten Zweifel an der Genauigkeit dieser Systeme.
Um zu verstehen, wie zuverlässig medizinische Bildanalysesoftware ist, werfen wir zunächst einen Blick darauf, was unter der Haube steckt.
Medizinische Bildverarbeitungspipeline
Wie bereits erwähnt, liegt das Herzstück der medizinischen Bildverarbeitung im maschinellen Lernen. Mit der Fähigkeit, große Datenmengen in einem Bruchteil der Zeit zu verarbeiten, helfen Deep-Learning-Algorithmen Ärzten, medizinische Bildgebung zu analysieren und zu interpretieren und selbst die kleinsten Details zu erfassen.
Zu den unterstützten medizinischen Bildgebungsmodalitäten gehören:
- Computertomographie (CT)-Scans
- Magnetresonanztomographie (MRT)
- Röntgenbildgebung
- Positronen-Emissions-Tomographie (PET)-Scans
- Ultraschallbildgebung
- Einzelphotonen-Emissions-Computertomographie (SPECT)-Scans
Wie im Diagramm unten gezeigt, umfassen die Kernphasen die Vorverarbeitung, Segmentierung, Extraktion und Klassifizierung.
Source: Computer-Aided Diagnosis
Vorverarbeitung. In dieser Phase wird das Bild verarbeitet, um die Qualität zu verbessern und sicherzustellen, dass der weitere Berechnungsprozess schneller abläuft. Zu den Vorverarbeitungsaktivitäten gehören das Entfernen von Rauschen und Hintergrundartefakten, das Minderung oder Erhöhen des Kontrasts.
Segmentierung. Eine der Kernaufgaben in der medizinischen Bildanalyse ist die Segmentierung. Diese bedeutet die Aufteilung des Bildes in Pixelsätze, s. g. Segmente, um Objekte und Grenzen zu lokalisieren. Diese Segmente sind die Regionen mit ähnlichen Eigenschaften wie Farbe, Textur, Helligkeit und Kontrast. Hohe Variabilität innerhalb eines Bildes sowie mehrere Bildmodalitäten machen diese Aufgabe zu einer Herausforderung.
Merkmalsextraktion. Nach der Segmentierung werden Regions of Interest (ROI) weiter auf spezifische Merkmale wie Graustufen, Textur, Muster, Verzerrungen analysiert.
Einstufung. Schließlich wird ein Klassifizierungsalgorithmus verwendet, um jeden ROI auf richtig positiv, falsch positiv, richtig negativ und falsch negativ zu bewerten. Wenn die erkannte Struktur den Schwellenwert erreicht, markiert das System sie automatisch als anormal.
Fallbeispiel
Ein automatisiertes Pneumonie-Diagnose-Tool
Ein automatisiertes Pneumonie-Diagnosetool, das Teil einer umfassenden Telemedizinplattform ist, wurde entwickelt, um mithilfe maschineller Lerntechniken bei der Erkennung von Anzeichen einer Lungenentzündung zu helfen. Dazu nutzt das Tool das vom Google Research Team entwickelte Convolutional Neural Network Inception v3. Das entwickelte Modell wurde mit einem kuratierten Datensatz von Lungenbildern weiter trainiert.
Der resultierende Algorithmus verwendet eine binäre Identifizierung – wenn er 80 % der Lungen als nicht betroffen identifiziert, wird er die Lunge als gesund markieren. Bei weniger als 80 % geht das Modell davon aus, dass die Lunge betroffen sein könnte und eine fachärztliche Behandlung erforderlich ist. Die Lösung kann nicht nur menschliche Fehler erheblich reduzieren, sondern auch die Belastung des medizinischen Personals verringern.
Die Fortschritte beim Deep Learning haben die Dynamik bei der Einführung von medizinischen Bildgebungslösungen verändert. Bis 2028 wird der weltweite Markt für KI-gestützte medizinische Bildgebungslösungen voraussichtlich 1,5 Milliarden US-Dollar umfassen.
Von der Erkennung von Brust- und Hautkrebs bis hin zur Identifizierung von Herzpathologien ermöglicht die automatisierte medizinische Bildanalyse Medizinern, schneller zu einer genauen Diagnose zu gelangen, was die Überlebensraten der Patienten erheblich verbessert. Da so viel auf dem Spiel steht, ist es nur natürlich, sich zu fragen, wie zuverlässig und genau diese Algorithmen sind.
Ist die KI-basierte medizinische Bildanalyse genauso gut wie Analyse vom Fachpersonal?
Ein Forscherteam führte die erste systematische Überprüfung durch, um die Leistung von KI-gestützten medizinischen Bildlösungen mit der von medizinischem Fachpersonal zu vergleichen. Die Ergebnisse wurden im Lancet Digital Health Journal veröffentlicht.
Die Wissenschaftler konzentrierten sich auf zwei Metriken – Sensitivität und Spezifität. Sensitivität ist die Fähigkeit des diagnostischen Instruments, bei Patienten mit einer Erkrankung ein positives Ergebnis zu erzielen (Richtig-Positiv-Rate). Die Spezifität misst die Fähigkeit des Instruments, bei Patienten ohne Krankheit ein negatives Ergebnis zu erzielen (Wahr-Negativ-Rate).
Die Metaanalyse ergab, dass die Leistung von Deep-Learning-Modellen und medizinischen Experten gleichwertig ist. DL-Modelle zeigten eine gepoolte Sensitivität von 87 % und eine gepoolte Spezifität von 92,5 %, während medizinisches Fachpersonal 86,4 % bzw. 90,5 % zeigte.
Gibt es Einschränkungen?
Jedes maschinelle Lernmodell muss trainiert werden, deshalb ist das ML-gestützte medizinische Bildanalysesystem genauso gut wie Trainingsdatensätze. Alle in den Trainingsdaten gefundenen Verzerrungen werden im ML-Modell übersetzt und verstärkt. Diese Verzerrungen können durch Variablen wie Geschlecht, Rasse, Alter und sogar Versicherung eingeführt werden – diejenigen, die keine angemessene Krankenversicherung haben, haben nur eingeschränkten Zugang zu medizinischer Versorgung und können in Datenstichproben unterrepräsentiert sein, was zu verzerrten Modellen führt.
Faire und unvoreingenommene Datensätze sind ein Muss, um die genaue Leistung einer KI-fähigen medizinischen Bildanalyselösung sicherzustellen. Eine Möglichkeit besteht darin, potenziell diskriminierendes Verhalten bereits während der Datenverarbeitung und -aufbereitung zu erkennen. Weitere Aktivitäten können sein:
- Schlüsselvariablen in den ML-Algorithmus aufnehmen
- Testen von ML-Modellen unter verschiedenen sozioökonomischen Bedingungen
- Kontinuierliche Überwachung und Überprüfung der Gültigkeit der ML-Modellausgabe
Wer hat das Sagen – der Arzt oder das System?
KI-basierte Gesundheitslösungen werden zu einem integralen Bestandteil des Ökosystems der Gesundheitsversorgung, und das zu Recht. Automatisierte medizinische Bildgebungslösungen bieten eine zuverlässige klinische Entscheidungsunterstützung, verkürzen die Zeit bis zur Diagnose und ermöglichen eine qualitativ hochwertige Patientenversorgung.
Die Patienten fühlen sich jedoch wohler, wenn die endgültige Entscheidung über den Behandlungsverlauf beim Arzt bleibt. In einer Studie gaben die Befragten zu, dass sie den Algorithmus ihre Körperscans genauso wahrscheinlich auf Hautkrebs analysieren lassen und dann einem Arzt Empfehlungen geben würden, wie sie sich von Anfang bis Ende auf die Behandlung durch einen Arzt verlassen würden.
Die zentralen Thesen
Künstliche Intelligenz setzt sich in einer Vielzahl von Branchen schnell durch, und die medizinische Diagnostik bildet da keine Ausnahme. Von Patienten-Apps zur Identifizierung der Körperbräune bis hin zu Systemen für Arztpraxen, die mit medizinischen Bildverarbeitungsfunktionen erweitert sind, kann KI die Gesundheitsversorgung auf vielfältige Weise ergänzen, die Produktivität steigern und die Kosten aufgrund von weniger Fehlern und Fehldiagnosen senken.
Angesichts der heutigen technologischen Reife und der Bereitschaft der Patienten, KI-basierte medizinische Dienste in Anspruch zu nehmen, bleibt die automatisierte medizinische Bildanalysesoftware nur ein Neben-Werkzeug, obwohl sie leistungsstark ist, in den Händen erfahrener medizinischer Fachkräfte, die das Ergebnis überprüfen und den Behandlungsverlauf anpassen. Aber mit diesen KI-gestützten Funktionen ausgestattet, können Ärzte Bevölkerungsgruppen in viel größerem Umfang erreichen, die Ergebnisse erheblich verbessern und die Qualität der Patientenversorgung verbessern – was das ultimative Ziel der Gesundheitsversorgung sei.
