RöKo 2018 – Deep-Learning-Assistenz in der Leber-CT
Mit Künstlicher Intelligenz lassen sich Bilder segmentieren und Informationen extrahieren. Die Systeme unterstützen die Befundung semi- oder vollautomatisch. ExpertInnen sind sich uneins, wann die ersten Algorithmen Einzug in den radiologischen Alltag halten.
-
Präsentationstag:10.05.2018 0 Kommentare
-
Autor:ch/ktg
-
Sprecher:Roland Brüning, Asklepios Klinik Barmbek
-
Quelle:Deutscher Röntgenkongress 2018
Roland Brüning ist praktizierender Radiologe und Chefarzt an der Asklepios Klinik Barmbek. Seine Motivation sich mit Künstlicher Intelligenz (KI) zu beschäftigen: „Die Arbeitslast im radiologischen Alltag ist hoch. Die Anzahl der zu befundenen Einzelbilder enorm. Da lasse ich mir bei der Mustererkennung gerne helfen.“
Brüning hofft mit Einsatz von KI-Systemen Wissenslücken zu schließen, etwa im Staging und Restaging (Lawler M et al. Gut 2018).
Deep Learning (DL)
Beim DL gibt es unterschiedliche technische Ansätze. Brüning erwähnt Onco-Web, ein Gemeinschaftsprojekt mit dem Fraunhofer-Institut MEVIS. Der dabei zugrunde liegende Algorithmus werde heute bereits in der Verlaufsbeobachtung eingesetzt.
Im Deep-Learning-Projekt wurde das System mit Bilddaten von 349 Leberläsionen trainiert, um statistische Zusammenhänge zu analysieren.
Die Segmentierung, so Brüning, spiele bei allen KI-Systemen eine entscheidende Rolle. Ohne korrekte Zuordnung könne auch der beste Algorithmus nicht funktionieren.
Zwar sei bei allen Ansätzen eine cloud-basierte Datenbank wünschenswert, um Daten von mehreren Kliniken zusammenführen und auswerten zu können. Das scheitere aber (noch) am aktuellen Datenschutzgesetz. „Wir haben daher die Auswertung in das krankenhauseigene Rechenzentrum eingebunden.“ Der Onco-Web Algorithmus wird in Brünings Klinik bereits in der Verlaufsbeobachtung eingesetzt.
Grenzen der Größenerfassung
Nicht immer korreliert der maximale Durchmesser einer Läsion mit deren Ansprechen auf eine bestimmte Behandlung überein. Brüning nannte als Beispiele Gastrointestinale Stromatumoren (GIST) und mRECIST bei HCC.
Weiteres Problem: Bei der manuellen Größenbestimmung ist die Intraobserver-Varianz hoch (Walsh SLF et al. Lancet Respir Med 2016). „Wir haben Probleme damit, worauf wir adaptieren sollen“, erklärte Brüning die schlechte Übereinstimmung. Diese Varianz beeinflusst auch die Ergebnisse der KI-Systeme, da sie mit genau diese Daten gefüttert werden.
In der Größenbestimmung fehlten Goldstandards, so Brüning. Als möglichen Standard zur Bestimmung des Lebervolumens nannte er deren Berechnung über die Körperoberfläche.
Fazit
Brüning ging davon aus, dass die ersten KI-Systeme zur Segmentierung und Klassifizierung von Leberläsionen bald im radiologischen Alltag zur Verfügung stehen werden. „Die Firmen arbeiten mit Hochdruck daran.“ Mit dem Einzug von KI-Systemen werde die/der RadiologIn aber nicht abgeschafft, vielmehr komme es zu einer Arbeitsteilung: Bildaufarbeitung und Informationsextraktion liegen beim KI-System, die endgültige Zuordnung und Bewertung erfolgen weiterhin durch die/den RadiologIn. „Die Radiologen behalten das Steuer in der Hand.“
Diskussion
Zwar werde bereits seit Jahren über den Einsatz von KI-Systemen berichtet, trotzdem seien sie immer noch nicht in der Routine-Diagnostik verfügbar, merkten einige ZuhörerInnen skeptisch an. Warum dies so ist, konnten weder die Referenten noch die Moderatoren der Veranstaltung befriedigend beantworten. Als einen möglichen Grund nannten sie die Komplexität und hohen Kosten für die Validierung eines Algorithmus’.
Die wichtige Frage, ob es bereits Ansätze zur Qualitätssicherung von KI-Systemen gebe, antwortete der Moderator der Veranstalter, Horst Hahn vom Fraunhofer MEVIS in Bremen: „Ein Goldstandard zur Qualitätsbeurteilung fehlt bisher. Wichtig ist eine gute Qualität der Daten, damit die Auswertung stimmt.“ Brüning ergänzte, dass er die Qualitätssicherung als Hauptaufgabe der RadiologInnen sehe
