Seite - 164 - in Künstliche Intelligenz - Technologie | Anwendung | Gesellschaft

164 B Anwendung Medizin zur Diagnose bzw. Behandlung der Patienten nutzen. Über verschiedene DL- Ansätze sollen hier die Ausgangsqualität der erhobenen Genomdaten (FDA 2016) sowie deren Interpretation (Beyer 2016) verbessert werden. Eine immer noch bestehende Hürde bei der Verknüpfung von großen Datenmengen beispielsweise aus Patientenakten ist die mangelnde Qualität der Erhebung bzw. Klassifizierung der Daten. Somit gibt es bislang nur exemplarische Nachweise, dass die Nutzung von Big-Data-Technologien in der Klinik einen praktischen Vorteil hat. Eine regelhafte Anwendung im klinischen Alltag ist noch weit entfernt. Allerdings wird KI in Verbindung mit DL nicht nur bei Big-Data-Analysen, sondern auch einer Vielzahl weiterer potenzieller medizinischer Anwendungen diskutiert. Dies betrifft den gesamten Behandlungspfad, von der Krankheitsprävention, über frühe Diag- nose, Behandlung und Therapie bis hin zur Nachsorge. Radiologie: KI im Vier-Augen-Prinzip In der medizinischen Bildgebung wird schon seit mehreren Jahrzehnten auf soge- nannte Expertensysteme zurückgegriffen. Im Englischen ist dabei häufig die Rede von computer aided detection und computer aided diagnosis (CAD). Die bibliografi- sche Referenzdatenbank PubMed listet dazu Studien beginnend ab den 1970er Jah- ren auf. Diese Computerprogramme unterstützen die Radiologen bei der Interpreta- tion der Bilddaten. Computertomografische Bilddaten können aus mehreren Tau- send Einzelaufnahmen bestehen; einen Befund zu erstellen, kann die Radiologin bzw. den Radiologen daher unter Umständen viel Zeit kosten. Weil dies zudem eine sehr hohe Konzentration erfordert, können sich schnell Flüchtigkeitsfehler in die Arbeit einschleichen. CAD unterstützt die Radiologen in diesen Fällen mittels Mustererkennung dabei, relevante Einzelaufnahmen zu identifizieren und auf Auffälligkeiten hinzuweisen. Es hat sich als praktisch erwiesen, mit CAD das klassische „Vier-Augen-Prinzip“ zu simulieren: Der Radiologe wertet zunächst die Aufnahmen aus, und im Anschluss prüft der Computer mittels eines Algorithmus, welche Bildausschnitte zusätzlich näher gesichtet werden sollten (Castellino 2005). Der größte Unterschied dieser inzwischen gängigen Praxis zu den aktuellen Entwick- lungen im Bereich DL ist, dass Menschen die solchen Expertensystemen zugrunde liegenden Algorithmen programmierten und diese somit nur einen bestimmten Komplexitätsgrad erreichen konnten. DL ermöglicht es nun, dass der Algorithmus aus jedem analysierten Datensatz automatisch Erkenntnisse extrahiert, die in die Analyse des nächsten Datensatzes einfließen. Sensitivität und Spezifität der Ergeb- nisse werden auf diese Weise kontinuierlich optimiert. In erster Linie dienen diese