COVERSTORY II

Maschinelles Lernen in der Radiologie

von G. Langs

Künstliche Intelligenz (KI) spielt eine zunehmend bedeutende Rolle in der Medizin und insbesondere der Radiologie. Der Diskurs um die Art, wie sie die klinische Praxis beeinflussen kann, findet derzeit vor dem Hintergrund dramatischer Schlagzeilen, und oft noch spekulativer Vorhersagen statt.

 

Obwohl die Anwendung von Software, die künstliche Intelligenz nutzt, um medizinische Praxis zu unterstützen, noch am Anfang steht, beginnt das diesen Methoden zugrundeliegende Forschungsfeld eine Reife zu entwickeln, die eine seriöse und wichtige Diskussion der Rollen dieser rasant entstehenden Technologien in der täglichen Praxis ermöglicht. Beim ÖRG 2018 in Salzburg wurde der Stand der Technik und die damit verbundenen Perspektiven diskutiert.

 

Präzisionsmedizin benötigt künstliche Intelligenz

 

Künstliche Intelligenz kann in der Radiologie einen Bedarf adressieren, der durch mehrere Faktoren entsteht. Einerseits nimmt die Menge der zu befundenden Bilddaten rasant zu, wodurch Zeitersparnis bei der Durchführung immer relevanter wird. Der zweite und weitreichendere Bedarf ist die Notwendigkeit komplexe Beobachtungen, die sich aus Bildinformationen und anderen Datenpunkten eines Patienten zusammensetzen, zur Behandlungsoptimierung zu nutzen.

 

Vorhersagemodelle erlauben es subtile Zusammenhänge und Muster in Bild- aber auch zum Beispiel damit verbundenen genetischen Daten zu identifizieren, und diese mit dem zukünftigen Krankheitsverlauf oder Behandlungseffekt in Bezug zu setzen. Sie werden damit zu einer der Voraussetzungen für präzise und personalisierte Behandlungsentscheidungen.

 

Eine Begriffsklärung

 

Die Forschung an künstlicher Intelligenz beschäftigt sich mit Methoden, die es Computern erlauben Leistungen zu erbringen, die man typischerweise menschlicher Intelligenz zurechnet, wie das inhaltliche Verstehen von Sprache, das Erkennen von Objekten, oder das Identifizieren von Zusammenhängen verschiedener Beobachtungen. Ein Teilfeld dieses Gebietes ist das maschinelle Lernen, eine Strategie um künstliche Intelligenz zu erzeugen, indem man nicht von Hand Regelwerke definiert und dann implementiert, sondern Algorithmen entwickelt, die solche Regelwerke anhand einer großen Anzahl von Beispielen selbst erlernen.

 

Die letzten Jahre haben vor dem Hintergrund einiger wichtiger methodischer Fortschritte, und dem Zufall, dass ansich für Computerspiele entwickelte Graphikrechenarchitekturen hervorragend zum Trainieren künstlicher neuraler Netze geeignet sind, den klaren Vorteil dieser Strategie gezeigt. Das ist zu einem guten Teil einer recht alten Richtung des maschinellen Lernens zu verdanken, die sich mit künstlichen neuralen Netzen beschäftigt, deren Tiefe und Trainingsgeschwindigkeit aufgrund der aktuellen technologischen Entwicklung substantiell zunehmen kann, und die unter dem Begriff deep learning zusammengefasst werden.

 

Die möglichen Rollen von KI in der Radiologie

 

Die Radiologie ist ein vielschichtiges und zentrales Fach, das neben der Aufnahme und der Nutzung einer zunehmenden Menge reichhaltiger Daten von intensiver interdisziplinärer Zusammenarbeit bei der Therapieentscheidungsfindung, aber auch bei der Interpretation der Daten geprägt ist. Für KI ergeben sich daraus verschiedene Rollen.

 

1. Automatische Detektion und Messung. Eine naheliegende Funktion, die KI erfüllen kann, ist das automatische Erkennen anatomischer Strukturen, und die Detektion und Vermessung von Läsionen oder anderer diagnoserelevanter Entitäten. Die Lokalisation von Lungenknoten oder das genaue Segmentieren von Kompartiments in Gehirntumoren gehören zu solchen Resultaten, die Computer zunehmend präzise liefern können. Dabei ist das Ziel durchwegs bekannt, und KI trägt zur Automatisierung oder Beschleunigung eines Teilschrittes der Befundung bei. Algorithmen dafür werden seit längerem entwickelt und sind in relativ weit fortgeschrittenem Stadium.

 

2. Verarbeitung von Mustern. Die Marker, die derzeit in Bildern gemessen und zur Behandlungsentscheidung genutzt werden, sind von Menschen beobachtbar, enthalten aber nicht notwendigerweise die gesamte verwertbare Information im Bild. Durch maschinelles Lernen können wir Muster und Charakteristika nutzen, die darüber hinausgehen, und auch örtlich verteilte Eigenschaften zur Grundlage der Beurteilung eines Bildes zusammenführen. Das Feld Radiomics beschäftigt sich damit und hat beeindruckende Ergebnisse erzielt.

 

3. Vorhersage. Muster können zur Vorhersage von individuellen Krankheitsverläufen, Risikoprofilen und Behandlungseffekt genutzt werden. Vorhersagemodelle nutzen Methoden des maschinellen Lernens um einerseits Outcome vorherzusagen und - was nicht weniger wichtig ist - dieser Vorhersage auch Sicherheit zuzuordnen, andererseits die Merkmale und Modalitäten zu identifizieren, die tatsächlich zur Vorhersage beitragen.

 

4. Unterstützung durch relevante Information. Eine Alternative zur automatisierten Vermessung ist die auf Bildmustern und Patientencharakteristika basierende schnelle Visualisierung von relevanter Information während der Befundung. Sie unterstützt Medizinerinnen und Mediziner bei der Beurteilung eines Einzelfalles indem sie ihn in Bezug zu großen Referenzkollektiven setzt. Dieser Zugang wird bei komplexen Fällen relevant bei denen computerbasierte Verarbeitung in die Entscheidungsfindung durch Experten integriert werden muss, eine Rolle die bei zunehmender Vielfalt der Behandlungsmöglichkeiten, und der bekannten Krankheitstypen an Wichtigkeit gewinnt.

 

5. Neues Entdecken. Eine Möglichkeit, die vielleicht zu einer der fundamentalsten Veränderungen führen kann, ist die Möglichkeit mit Methoden des maschinellen Lernens (Stichwort: Unsupervised Learning) die diagnostischen Kategorien und die damit verbundenen Marker-Muster weiterzuentwickeln. Ergebnisse zeigen, dass Gruppen von Patienten, die ähnliche Bild- aber auch Risikoprofile aufweisen in Populationen identifiziert werden können. Daraus ergibt sie die Perspektive diese Gruppen für die Prognose im Einzelfall zu nutzen.

 

Der Weg zu einem Platz von KI in der Routine

 

Die Diskussion, ob künstliche Intelligenz die Radiologen ersetzen wird, ist vorbei, und mit "Nein" beantwortet. Sie ist der Frage gewichen welchen Platz im Arbeitsablauf KI einnehmen kann, und wo sie in welcher Form zu Entscheidungen und zur Beurteilung individueller Fälle beitragen kann.

 

Sie wird einen fixen Platz im Werkzeugrepertoire von Radiologinnen und Radiologen, aber auch in der Entwicklung von Diagnose, Behandlungsstrategien und Medikamenten gewinnen.  Der Weg dorthin führt über interdisziplinäre Arbeit zwischen Expertinnen und Experten in der Radiologie und den Computerwissenschaften und dabei insbesondere der künstlichen Intelligenz und dem maschinellen Lernen. Beide Felder werden sich in diesem Prozess verändern.

 

Nachlese:

 

Langs, G., S. Röhrich, J. Hofmanninger, F. Prayer, J. Pan, C. Herold, and H. Prosch. "Machine learning: from radiomics to discovery and routine." Der Radiologe (2018).

https://www.ncbi.nlm.nih.gov/pubmed/29922965 (open access)

 

Short Bio:

 

Georg Langs ist assoziierter Professor an der Universitätsklinik für Radiologie und Nuklearmedizin der Medizinischen Universität Wien und leitet dort die nichtklinische Abteilung Computational Imaging Research. Er ist Mitgründer und Chief Scientist des aus der Medizinischen Universität Wien hervorgegangenen Spin-Offs contextflow GmbH.

 

www.cir.meduniwien.ac.at/langs

georg.langs@meduniwien.ac.at