ECR 2018 – Künstliche Intelligenz braucht gute Primärdaten

ECR 2018 – Künstliche Intelligenz braucht gute Primärdaten

Standardisierte und gut strukturierte Daten bilden die Grundlage für einen sinnvollen Einsatz Künstlicher Intelligenz in der Radiologie.

  • Präsentationstag:
    02.03.2018 1 Kommentare
  • Autor:
    biho/ktg
  • Sprecher:
    Daniel Pinto dos Santos, Universität Köln
  • Quelle:
    ECR 2018

Der Hype um die Nutzung Künstlicher Intelligenz (KI) zur Befundung radiologischer Bildgebungen hat es dank vielversprechender erster Studien in die öffentlichen Medien geschafft. Daniel Pinto dos Santos von der Universität Köln begegnet der Aufregung mit nüchternem Gemüt: Bis zur automatisierten Befundung sei es noch eine weiter Weg.

Was bereits möglich ist

Wenn der KI-Algorithmus mit Primärdaten trainiert wird, sind die resultierenden Antworten entsprechend unpräzise. „Dennoch reicht das, um einige nützliche Fragen zu beantworten“, sagte Pinto dos Santos. So kann bereits ein relativ einfacher Algorithmus eine geeignete bildgebende Untersuchung anhand der Symptome und Laborwerte aus Überweisungen empfehlen.

Was noch nötig ist

Um spezifischere Antworten zu generieren, werden auch spezifischere und qualitativ hochwertige Daten benötigt. „Obwohl wir viele Bilddaten haben, sind diese leider oft sehr schlecht standardisiert und nicht immer leicht zugänglich“, sagte Pinto dos Santos.

Des Weiteren tun sich Text-Mining-Programme oft schwer mit der Informationsgewinnung aus radiologischen Befunden, da diese oft sehr textintensiv und uneinheitlich abgefasst sind. Zahlreiche Studien zeigen, dass eine strukturierte Befundung hier Abhilfe schaffen könnte. „Wir haben an der Universität zu Köln einen Open-Source-Prototypen für strukturiertes Reporting entwickelt“, sagte Pinto dos Santos. „Langfristig sind jedoch die Hersteller aufgefordert, eine praktische Lösung anzubieten.“ Sinnvoll sei dabei die Einbindung einer radiologiespezifischen Ontologie, wie etwa RadLex®, in die Standardisierung, um zusätzlichen Aufwand für die RadiologInnen zu vermeiden.

Fazit

Pinto dos Santos machte deutlich, wie abhängig KI-basierte Entscheidungen von der Datenlage sind: standardisierte, qualitativ hochwertige und kategorisierte Daten liefern die besten Vorhersagen.

Das könnte Sie auch interessieren

Vorhandene Kommentare

Durchschnittliche Bewertung 1 Kommentare

Ergänzende Gedanken zum Einsatz von Künstlicher Intelligenz (KI) Seit etwa 2013 arbeiten Diagnostiker in den USA mit der neu eingeführten Bildbearbeitungssoftware Radiomics. Benutzt wird Radiomics bei der Computertomographie und der Kernspintomographie. Alle Daten liegen hier in digitalisierter Form vor. Erneut erhoffen sich Mediziner eine verbesserte individualisierte Diagnostik und damit Therapie. Ob „Precision Medicine“ oder neudeutsch „personalisierte Medizin“ dem kranken Menschen tatsächlich hilft, bleibt solange abzuwarten, bis Cochrane Studien eine Bestätigung der Lebensverlängerung der neuen personalisierten Medizinbehandlung liefern. Warum soll nun ausgerechnet Radiomics sichere Aussagen über verdächtige Gewebeveränderungen erlauben? Vor mehr als dreißig Jahren gab es in der KI (Künstliche Intelligenz) schon Versuche, suspekte Rundherde in der Lunge automatisch zu erfassen. Diese sogenannte Mustererkennung fand nie den Weg in die klinische Praxis. Ende der 90er Jahre erhoffte man sich, durch Spektralanalyse zwischen gut- und bösartigen Veränderungen kernspintomographischer Bilder der weiblichen Brust differenzieren zu können. Es blieb bei der Hoffnung. Und nun soll es Radiomics richten ? Struktur, Form, Kontur, Intensität und sog. Wavelets mit Veränderungen im CT oder MRT als Pixel oder Voxel reichen aus, eine Aussage über die Gut- oder Bösartikeit einer morphologischen Veränderung zu treffen? Bei der Computertomographie werden Absorptionswerte erfasst. Es wird ein Bild des Körpers erzeugt, das aus Abschwächungen der eingestrahlten Röntgenstrahlung rechnerisch zusammengesetzt wird. Bei der Kernspintomographie werden Relaxationszeiten gemessen, die ebenfalls rechnerisch zu einem Bild zusammengesetzt werden. Glaubt man ernsthaft daran, dass diese zwei physikalischen Eigenschaften (Absorption und Relaxation) sowie die angewandten mathematischen Prinzipien ausreichen, vom Phänotyp auf den Genotyp schließen zu dürfen, also eine auffällige Veränderung in einem Bild zuverlässig als gut- oder bösartig zu bewerten? Allerdings besteht kaum ein Zweifel daran, dass medizinische Datenbanken und lernende Maschinen das ärztliche Handeln zum Wohl des Patienten in großem Maße unterstützen werden. Dr. Rolf Kaiser

Sie müssen sich einloggen, um Kommentare zu verfassen.

Ihr direkter Draht zu uns