Artifizielle Intelligenz bei Diagnostik interstitieller Lungenerkrankungen

Artifizielle Intelligenz bei Diagnostik interstitieller Lungenerkrankungen

Interstitielle Lungenerkrankungen sind teils schwer voneinander abzugrenzen. Lernende Computersysteme verbessern ihre Differenzierung. Neue prognostische Parameter können verifiziert werden.

  • Datum:
    25.01.2018
  • Autor:
    ch/ktg
  • Sprecher:
    Christian J. Herold, Universitätsklinik Wien
  • Quelle:
    10. Internationales CT Symposium

„Die Idee, sich von Computern bei der Bildinterpretation helfen zu lassen, ist schon sehr alt“, erläuterte Christian J. Herold von der österreichischen Universitätsklinik Wien. Angefangen habe alles mit Checklisten, die abgearbeitet wurden (Lodwick GS et al. Radiology 1963).

Heute besiegen gut trainierte Maschinen bereits menschliche Profis: So trat ein Google-Programm 2017 gegen ausgewählte Profis im asiatischen Strategiespiel Go an und gewann.

Maschinelles Lernen: Wie geht das?

Computer befolgen lediglich Befehle. Damit sie bestimmte Muster erkennen und auseinanderhalten können, müssen sie mit einer Unmenge an Daten gefüttert werden. Esteva et al. (Nature 2007) fütterten beispielsweise ein künstliches neuronales Netzwerk (KNN) mit Daten von fast 130.000 klinischen Bildern unterschiedlicher Hauterkrankungen. Mit dem KNN ließen sich klassische Hauttumore genauso so gut erkennen wie durch die Blickdiagnose erfahrener DermatologInnen.

Artificial Intelligence befasst sich mit der Automatisierung intelligenten, menschlichen Verhaltens. Es werden Systeme entwickelt, die Aufgaben erfüllen können, welche im Allgemeinen menschliche Intelligenz erfordern.

Einsatz bei interstitiellen Lungenerkrankungen

„Es gibt mehr als 200 diffuse parenchymatöse Lungenerkrankungen“, sagte Herold. Die seien rein visuell oft nur schwer abzugrenzen.

Auf CT-Bildern lassen sich unterschiedliche Muster unterscheiden, beispielsweise nodulär, linear und retikulär sowie vermehrte oder verminderte Dichte. Art und Verteilung dieser Muster sind zwar für bestimmte interstitielle Erkrankung typisch, trotzdem bleibt die klare Abgrenzung schwierig: die Interobserver-Variabilität ist groß (z.B. Walsh SL et al. Thorax 2016). Zur endgültigen Klärung hilft dann nur noch die invasive Diagnostik, eine Lungenbiopsie.

Um eine invasive Diagnostik zu vermeiden und die CT-Diagnostik weiter zu verbessern, werden Algorithmen entwickelt. Das maschinelle Lernen basiert auf von Menschen (RadiologInnen) ausgewerteten Datensätzen. „Das funktioniert erstaunlich gut.“

Herold zeigte die Ergebnisse einer Studie von F. Maldonado et al. (Eur Respir J 2014), in der mit einer automatischen Quantifizierung radiologischer Muster (CALIPER) prognostische Aussagen bei idiopathischer Lungenfibrose gemacht werden konnten.

Dass durch maschinelles Lernen auch neue prädiktive Parameter entdeckt werden können, zeigte eine Studie von Jacob et al. (J Thorac Imaging 2016): CALIPER extrahierte als stärksten prädiktiven Wert das pulmonale Gefäßvolumen. Dieser Wert wird bei der visuellen Befundung bisher nicht berücksichtigt, ein Scoring dazu fehlt.  

„Entscheidend wird sein, die relevanten Veränderungen von den nicht relevanten Mustern zu unterscheiden“, so Herold. Geeignet auf Longitudinal-Studien basierende Algorythmen (Vogl WD et al. Med Image Comput Assist Interv 2014).

Besondere Herausforderungen, damit die Algorithmen auch im klinischen Alltag eingesetzt werden können, sind:

  • uneinheitliche CT Untersuchungsprotokolle und
  • Variabilität der Inspirationstiefe bei den Untersuchungen.

Fazit

Maschinelles Lernen kann die Diagnostik interstitieller Lungenerkrankungen verbessern. Das lernende System erkennt Muster und kann diese quantifizieren. Die Basis dafür sind visuell ausgewertete Datensätze, auch wenn die Systeme selbst (neu) Muster erkennen und zuordnen können.

Bis zur Einführung in den klinischen Alltag, so Herold, würden noch einige Jahre ins Land gehen: „Einfach ist das Ganze nicht. Auch wenn Sie bereits viel dazu lesen können.“