ETIM 2018: Künstliche Intelligenz in der Forschung

ETIM 2018: Künstliche Intelligenz in der Forschung

Künstliche Intelligenz ist auch für die medizinische Forschung ein interessantes Thema. Ein mögliches Anwendungsgebiet könnte die Segmentierung von Tumoren sein.

  • Datum:
    23.03.2018
  • Autor:
    ska/aca
  • Sprecher:
    Dr. med. Michael Perkuhn
  • Quelle:
    ETIM 2018

Wie lässt sich künstliche Intelligenz in die klinische Routine integrieren? Diese Frage ist für viele praktisch tätige Ärzte von besonderer Bedeutung. Sie war Gegenstand des Vortrags von Michael Perkuhn, der bei Philips eine Forschungsgruppe leitet, die sich mit klinischer Anwendung beschäftigt.

Onlineplattform zur Forschung mit künstlicher Intelligenz

Perkuhn berichtete, dass Philips für Kliniker und Forscher eine frei zugängliche Onlineplattform zur Verfügung stellen wird. Auf dieser Plattform sollen ihm zufolge in Zukunft verschiedene Apps sowie Module zur Verfügung stehen, die Kliniken dazu nutzen können, die von ihnen generierten Daten zu analysieren.

Die Anwendungen werden dabei mittels Docker bereitgestellt, erklärte Perkuhn. Dabei handelt es sich um eine Open-Source-Software, die die Bereitstellung von Anwendungen vereinfacht. „Künstliche Intelligenz kann mittels TensorFlow in die Anwendungen integriert werden“, sagte Perkuhn. Dadurch kann alles an einem Ort gemacht werden. Auf der Plattform sollen daneben auch Bausteine bereitgestellt werden, mit denen eigene Anwendungen nach individuellen Bedürfnissen gestaltet werden können.

Viele mögliche Anwendungsgebiete

Ein Beispiel für ein Feld, in dem künstliche Intelligenz schon bald zum Einsatz kommen kann, ist die automatische Segmentierung von Tumoren. Dabei ist laut Perkuhn allerdings eher davon auszugehen, dass Algorithmen, die auf Maschinenlernen basieren, Tumoren unter Supervision segmentieren. Sie sind somit eher als eine Art Hilfestellung für die Kliniker zu betrachten. Bemerkt der Kliniker Fälle, in denen der Algorithmus falsch liegt, so kann dies im Anschluss für das weitere Training des Algorithmus genutzt werden.

Zeitaufwendige Annotationen

Eine große Herausforderung für die Erstellung von Algorithmen, die auf maschinellem Lernen basieren, besteht darin, dass die rohen Daten annotiert werden müssen. „Dies nimmt aktuell fast 25 Prozent der Zeit von Projekten in Anspruch, die auf Data Science basierten“, betonte Perkuhn. Damit verbunden ist das Problem, dass verschiedene Untersucher und vor allem verschiedene Kliniken Daten produzieren, die nicht miteinander vergleichbar sind.

FAZIT

Der Einsatz künstlicher Intelligenz auch im klinischen Alltag und in der medizinischen Forschung ist keine reine Zukunftsmusik mehr. Für die weitere Forschung auf dem Gebiet braucht es Perkuhn zufolge aber standardisierte Protokolle, um die Richtigkeit und Genauigkeit von Daten sicherzustellen. „Außerdem ist die Sicherstellung der Datensicherheit und der Vertraulichkeit eine große Herausforderung“, schloss Perkuhn.