Anwendungsbereiche Künstlicher Intelligenz in der Radiologie

Anwendungsbereiche Künstlicher Intelligenz in der Radiologie

Künstliche Intelligenz (KI) kann und wird die klinische Praxis in vielerlei Hinsicht verbessern – von der Terminvergabe bis zur Therapieplanung. Luis Martí-Bonmatí, La Fe Health Research Institute, Valencia, Spanien, sieht eine erfolgreiche Zukunft für die Verbindung von Mensch und Maschine.

  • Präsentationstag:
    17.06.2020 0 Kommentare
  • Autor:
    biho/ktg
  • Sprecher:
    Luis Martí-Bonmatí, La Fe Health Research Institute, Valencia, Spanien
  • Quelle:
    ECR Digital 2020

Laufende KI-Projekte für die klinische Anwendung

Bildakquisition, Organsegmentierung und Erkennung von Gewebeeigenschaften – das wird der Hauptnutzen der KI für die Radiologie, meint Martí-Bonmatí. Die KI zeigt folgende Wirkungen:

Schnellere Untersuchungszeiten

Neuronale Netzwerke benötigen zur Bildrekonstruktion nur eine geringe Rohdatenmenge. Die Ergebnisse sind vergleichbar mit Rekonstruktionen aus der kompletten Datenmenge ohne KI-Anwendung (Hyun CM et al. 2018). Vorteil: Werden weniger Bilddaten benötigt, verkürzt sich auch die MRT-Untersuchungszeit.

Arbeitserleichterung für RadiologInnen

KI-basierte Programme zur automatischen Segmentierung und Quantifizierung sind bereits verfügbar, z.B. für Prostatakrebs. Die Auswertung aggressiver Läsionen in einzelnen Organsegmenten ist möglich. Größe, Form, Kontrast- und Texturanalyse geben Aufschluss über Phänotyp, Invasion, Progression und andere Tumoreigenschaften.

Verbessertes Krankheitsmanagement

Die mit Hilfe der KI gewonnenen quantitativen Bildgebungsmarker ergänzen klinische Krankheitsdaten. Eine Kurzzeitstudie mit Lungenemphysemen zeigte bereits, wie gut die Bilddaten mit den klinischen Werten korrelieren (www.quibim.com). Derzeit werden KI-Projekte für ein besseres Krebsmanagement durch das EU-Programm H2020 finanziert (siehe Referenzen).

Hindernis für KI in der Routinepraxis: Reproduzierbarkeit

Viele KI-Projekte zeigen vielversprechende Ergebnisse, sind aber selten global ausgerichtet. Ein Grund dafür ist ihre mangelnde Reproduzierbarkeit. In der klinischen Praxis schränkt die Variabilität zwischen Geräten, Institutionen und Protokollen die Reproduzierbarkeit der Ergebnisse und damit eine gut funktionierende KI ein.

Martí-Bonmatí schlug daher vor, eine funktionalen KI in zwei Schritten zu entwickeln (s. Abbildung). Voraussetzung sind gut kategorisierte und verlässliche Daten zum Trainieren und Validieren des Systems sowie die enge Zusammenarbeit von RadiologInnen und Data Scientists. Im ersten Entwicklungsschritt werden nur Daten von eng verwandten Institutionen und ähnlichen Scannern verwendet. 70% dieser Daten sind für das Training und die Feinabstimmung, 30% für einen Performance-Test und die Validierung. Im zweiten Entwicklungsschritt kommen Daten von anderen Institutionen und Scannern ins KI hinzu. Sie verbessern die Performance und die Reproduzierbarkeit der KI.

KI-Entwicklung zur verbesserten Reproduzierbarkeit von Ergebnissen

Entwicklung einer Künstlichen Intelligenz für das Krebsmanagement: Training, Validierung, Feinabstimmung und Performance. Der Schwerpunkt liegt auf der Reproduzierbarkeit der Ergebnisse.

Die Schnittstelle Mensch-Maschine

In der Zukunft sieht Martí-Bonmatí einen kontinuierlichen interaktiven Lernprozess zwischen RadiologInnen und Maschinen. RadiologInnen können die KI mit immer neuen Erkenntnissen/Daten füttern und dadurch wird zu einer besseren Performance der KI beitragen. Umgekehrt lernen RadiologInnen von den Diagnosen der Maschine.

Referenzen

Hyun CM et al.
Deep learning for undersampled MRI reconstruction.
Phys.Med.Biol. 2018, 63-135007

Quibim
Quantitative Imaging Biomarkers in Medicine

EU H2020 program
Accelerating the lab to market transition of AI tools for cancer management.



Sie müssen sich einloggen, um Kommentare zu verfassen.

Ihr direkter Draht zu uns