ERC Consolidator Grant für KI-basierte Bildanalyse
Prof. Dr. Berndhard Kainz, Professur für Image Data Exploration and Analysis an der FAU, erhält einen ERC Consolidator Grant (© FAU/Georg Pöhlein)
Für ein Projekt zur automatisierten medizinischen Bildanalyse erhält Bernhard Kainz, Professor an der Uni Erlangen-Nürnberg, einen 'Consolidator Grant' des European Research Council (ERC). Die Consolidator Grants zählen zu den renommiertesten europäischen Forschungsförderungen.
-
Datum:06.02.2023
-
Autor:B. Mangelkramer (mh/ktg)
-
Quelle:Friedrich-Alexander-Universität Erlangen-Nürnberg
Die Förderung in Höhe von zwei Millionen Euro über fünf Jahre soll dazu beitragen, KI-basierte Tools zu entwickeln, die gesundes menschliches Gewebe anhand von Bildmaterial sicher erkennen. Letztlich sollen diese Tools in der medizinischen Diagnostik eingesetzt werden und die dort Tätigen unterstützen und entlasten – zum Beispiel bei Vorsorgeuntersuchungen.
So könnte die Künstliche Intelligenz diagnostisch gewonnene Bilder bereits nach den Merkmalen „voraussichtlich gesund“ oder „eventuell krank“ vorsortieren. Die letzte Entscheidung trifft trotzdem das medizinische Personal. Durch die KI-basierte Unterstützung würde das medizinische Personal jedoch Zeit gewinnen, um von der Norm abweichendes Bildmaterial genauer zu analysieren. Außerdem ließen sich mehr Patient:innen behandeln. Sie erhielten zudem schneller Gewissheit, ob das Bildmaterial auf gesundheitliche Probleme hindeutet.
Gesundes Gewebe erkennen
Doch warum soll die KI gesunde Gewebestrukturen erkennen? Warum wird sie nicht darauf trainiert, Krankheiten zu diagnostizieren? Professor Kainz hat darauf eine klare Antwort: „Es kostet extrem viel Zeit und Manpower, maschinelles Lernen an vielen hundert Beispielen jeder möglichen Krankheit zu trainieren. Bereits überlastete medizinische Fachleute müssten eine Vielzahl von Bildern von pathologischen Strukturen bereitstellen und kommentieren.“ Es sei daher sinnvoller, die KI mit Bildern von gesunden Gewebestrukturen zu „füttern“.
Auch das ist schon zeitaufwendig, da sich gesundes Gewebe je nach Lebensalter und weiteren Merkmalen wie dem Geschlecht unterscheidet. Das Team arbeitet deshalb daran, auf längere Sicht maschinelle diagnostische Hilfsmittel bereitzustellen, die erkennen, wie eine gesunde Anatomie zu einem bestimmten Zeitpunkt aussehen sollte, und die selbstständig immer weiter lernen.
Bei einzelnen Patient:innen sollen die Computertools normale physiologische sowie ungewöhnliche Veränderungen über einen Verlaufszeitraum feststellen. Zugleich sollen sie ärztlich gewonnene Patienteninformationen (zum Beispiel Laborergebnisse) zu dem vorhandenen Bildmaterial in Beziehung setzen. Auf diese Weise, so das Ziel von Bernhard Kainz, ließen sich einerseits Abweichungen ermitteln, die einer weiteren medizinischen Abklärung bedürfen. Andererseits könnten vermeidbare Untersuchungen auch im Sinne der Patientinnen und Patienten verhindert werden.
Zur Person
Prof. Dr. Bernhard Kainz ist seit September 2021 Professor für Image Data Exploration and Analysis im Department Artificial Intelligence in Biomedical Engineering der Friedrich-Alexander-Universität Erlangen-Nürnberg und Associate Professor am Departement Computing des Imperial College London.
