RöKo Digital – KI: Praktische Anwendungen in der Radiologie

RöKo Digital – KI: Praktische Anwendungen in der Radiologie

Für die Befundung der Thorax-CT hat man am Uniklinikum Freiburg zwei KI-basierte Anwendungen externer Anbieter implementiert.

  • Präsentationstag:
    30.05.2020 0 Kommentare
  • Autor:
    mh/ktg
  • Sprecher:
    Elmar Kotter, Universitätsklinikum Freiburg
  • Quelle:
    Röntgenkongress Digital 2020

KI-Domänen in der Radiologie

Populäre Einsatzbereiche von KI in der Radiologie sind die Bildbearbeitung, das Erfassen bestimmter Bildmerkmale (Segmentieren, Detektieren und Quantifizieren) und die klinische Entscheidungsfindung. KI hat aber ein viel größeres Potenzial, betonte Elmar Kotter, Uniklinikum Freiburg, denn sie kann von der Entscheidung über die angemessene Bildgebung und die Terminplanung bis hin zur Befunderstellung bei vielen Arbeitsschritten unterstützen.

Warum nicht schon viel mehr KI – Herausforderungen

Kotter sah drei Hauptgründe, warum trotz des großen Potenzials und der Vielzahl verfügbarer Algorithmen nicht schon viel mehr KI in Anwendung gekommen ist:

  • Die Validierung der Algorithmen ist aufwendig – es fehlen große multizentrische Studien.
  • Die Vielzahl der Anbieter – mit jeder neuen Firma, die an einer Klinik zusätzlich ins Spiel kommt, gilt es vorab viele Fragen zu klären: Datenschutz, Verträge und Kosten, Installation, Wartung.
  • Die Integration in den klinischen Workflow.

Welche KI-basierten Anwendungen in der Radiologie am Uniklinikum Freiburg derzeitig eingesetzt werden, erläuterte Kotter bei Röntgenkongress Digital:

‚AI-Rad Companion Chest CT’ (externes Projekt)

Das von Siemens entwickelte System ‚AI-Rad Companion’ für die Thorax-CT ist kommerziell erhältlich und wird an der Uniklinik Freiburg bereits genutzt. Es bietet diese Funktionen:

  • Automatisches Highlighten von anatomischen Strukturen, Anomalien und Zufallsbefunden
  • Automatisches Segmentieren von Herz, Aorta, Lunge
  • Automatisches Vermessen anatomischer Strukturen wie zum Beispiel des Durchmessers der thorakalen Aorta
  • Automatisches Bereitstellen von Ergebnissen für die Befundung, beispielsweise durch Einbetten eines strukturierten Befunds als DICOM-Objekt ins PACS.

Weitere Anwendungen etwa für die MRT von Prostata oder Gehirn befinden sich in klinischen Tests.

AI-Rad Companion arbeitet cloudbasiert. Eine Bridge (beim Siemens-Produkt heißt sie ‚Teamplay-Receiver’) pseudonymisiert die Daten, bevor sie die Klinik Richtung Cloud verlassen, und re-identifiziert sie, wenn sie verarbeitet vom Server des Anbieters wieder zurück ins PACS der Klinik eingespeist werden.

Die 'Bridge' pseudonymisiert die Daten, bevor sie die Klinik Richtung KI-Cloud verlassen, und re-identifiziert sie, wenn sie als Ergebnisse vom Server des Anbieters wieder zurück ins PACS der Klinik eingespeist werden.
Abb.: Pseudonymisierung der Daten

Für die Auswertung lassen sich bestimmte Parameter individuell auswählen, so zum Beispiel die Mindestgröße oder die maximale Anzahl von Läsionen, die zu befunden sind.

‚Contextflow Chest CT’ (externes Projekt)

Ebenfalls im Einsatz an der Uniklinik Freiburg ist das Thorax-CT-Tool des Wiener Start-Ups contextflow. Zu einer konkreten Thorax-CT-Untersuchung findest es ähnliche Bilder in seiner Datenbank oder auch im klinikeigenen PACS. Neben den Vergleichsbildern bietet es passende Referenzen aus Literatur und Internet sowie Differentialdiagnosen an. Damit unterstützt es die wissens-und bildgeführte Befundung und „umgeht das Black-Box-Problem“, so Kotter, indem es die abschließende Beurteilung dem Radiologen überlässt. In Freiburg läuft das System lokal und ist nahtlos ins PACS integriert.

Internes Projekt ‚Nora’

Ein Universitäts-internes Projekt ist die Forschungsplattform ‚Nora’. Es unterstützt die Forschenden in Freiburg bei der Datenextraktion, bei der Segmentierung und Annotation, bei quantitativen Analysen sowie beim Evaluieren und Implementieren KI-basierter Algorithmen. „Es ist anpassbar für alle radiologischen Fragestellungen“, betonte Kotter.

Erste Ergebnisse lieferte AIMSKI, ein Nora-basierter Algorithmus für die muskuloskelettale Radiologie: Es erkennt beispielsweise distale Handgelenksfrakturen mit einer Genauigkeit von 92 Prozent und befindet sich aktuell in der klinischen Evaluation.

Grundsätzliche Fragen beim Konzipieren KI-basierter Anwendungen

  • Lokale Installation oder Cloud? „Der Trend geht derzeit eher hin zu cloudbasierten Lösungen“, so Kotter.
  • „Gebrauchsfertige“ Ergebnisse direkt ins PACS einspeisen, oder doch lieber die Interaktion mit dem Radiologen zwischenschalten?
  • Weitere Verwendung der Ergebnisse: Übergabe ans RIS, oder als strukturierter Befund an das KIS?
  • Integration klinischer Informationen?
  • Wie sorgt man für kontinuierliche Verbesserung, auch nachdem ein System in den Workflow integriert wurde?

Fragen aus dem Chat

Vertrauen gegenüber einem KI-basierten System und Umgang mit Fehlern

„Jeder muss sich den Algorithmus und die Ergebnisse, die er liefert, anschauen. Wir machen das mit Testbatterien radiologischer Untersuchungen, um dann die Diskrepanzen zu unseren eigenen Experten zu beurteilen. Auch wenn ein System dann richtig läuft, müssen Sie es trotzdem weiter im Blick behalten. Falsch-positive Ergebnisse sind dabei nicht so wild, weil sie ja in der Aufmerksamkeit der Radiologen bleiben. Aber problematisch sind falsch-negative Ergebnisse, weil wir sie übersehen können.“

Daten nach extern geben – Akzeptanz für cloudbasierte Lösungen

„Darüber führen wir in Freiburg mit unserem Datenschutz sehr intensive Diskussionen. Und zwar sowohl auf allgemeiner Ebene als auch spezifisch für jedes einzelne System, um zu entscheiden, welche Daten tatsächlich hochgeladen werden. Jeder ist aufgefordert, sich das einzelne System genau anzusehen. Das macht es sehr aufwendig, und das limitiert auch die Anzahl von Firmen, mit denen man in einem Haus zusammenarbeiten kann.“

Weitere Verwendung von Daten durch externe Anbieter

„In der Verwendung von Daten für die Weiterentwicklung KI-basierter Systeme sehe ich eher ein ethisches als ein datenschutzrechtliches Problem. Die Anonymität der Datenuploads ist gewährleistet, aber es sind ja mehrere Seiten, die etwas beitragen. Neben der Software-Firma sind die Radiologen, beispielsweise durch die von ihnen hinzugefügten Informationen, und die Patienten mit ihrer Datenspende. Eventuell kommt man hier zu einer Incentivierung oder einem Vergütungsmodell.

Sie müssen sich einloggen, um Kommentare zu verfassen.