Page - 165 - in Künstliche Intelligenz - Technologie | Anwendung | Gesellschaft

iit-Themenband – Künstliche Intelligenz 165 neuen Entwicklungen jedoch der Effizienzsteigerung und Verkürzung der notwendi- gen Zeit, die die Ärztin oder der Arzt zur Diagnose und Therapie benötigt. Wie dynamisch die Entwicklungen in diesem Bereich aktuell verlaufen, zeigt ein Bei- spiel aus den USA: Am 26. September 2017 veröffentlichten die National Institutes of Health (NIH) einen von Radiologen annotierten Datensatz aus 112.120 anonymi- sierten Röntgen-Thoraxübersichtsaufnahmen mit 14 verschiedenen Pathologien wie Pneumonie, Pneumothorax oder Fibrose. Diese Veröffentlichung war verbunden mit dem Aufruf an die wissenschaftliche Gemeinschaft, entsprechende Analysealgorith- men (auf Basis von KI) zu entwickeln (Summers 2017). Bereits weniger als zwei Monate später stellte ein Team der Universität Stanford einen auf Basis von tiefem Lernen entwickelten Algorithmus vor, der alle 14 verschiedenen Pathologien erken- nen konnte. Und er war nicht nur besser als die bis dahin veröffentlichten Algorith- men, sondern erzielte in einem Vergleichstest am Beispiel der Erkrankung Pneumonie auch bessere Ergebnisse als vier Radiologen, die jeweils unabhängig voneinander insgesamt 420 Aufnahmen auf Hinweise dieser Krankheit ausgewertet hatten (Standford University 2017). Die NIH planen, in absehbarer Zeit einen solchen Daten- satz auch für den Bereich der Computertomografie zur Verfügung zu stellen (Sum- mers 2017). Die Anwendungsmöglichkeiten von KI in der Radiologie sind jedoch nicht auf die Markierung von derartigen Auffälligkeiten beschränkt. Sobald bei einem Patienten beispielsweise ein Tumor oder eine Läsion identifiziert wird, erfolgt dessen bzw. deren Vermessung. Neben der Größe und dem Volumen werden dabei auch die Konsistenz und die Struktur bestimmt. Eine solche Vermessung, die der Radiologe manuell ausführt, ist aufwendig, da unter anderem die Gewebegrenzen in jedem Schnittbild genau bestimmt werden müssen, um später die Größe errechnen zu kön- nen. Es liegt auf der Hand, dass sich solche Tätigkeiten mit KI-Methoden automati- sieren lassen. DL-Algorithmen können zudem dazu beitragen, die Entwicklung einer Krankheit zu analysieren. So ist es schon heute möglich, dass Programme aus der elektronischen Patientenakte die radiologischen Aufnahmen aus dem Archiv und zugleich das ent- sprechende aktuelle Schnittbild automatisiert aufrufen, sodass der Radiologe die Bil- der vergleichen kann. Auch kann die Software diese Bilder komfortabel skalieren und ausrichten. Mithilfe von KI lässt sich auch der gesamte klinische Arbeitsablauf optimieren. Durch eine automatisierte Auswertung der anfallenden Bilddaten nach Auffälligkeiten las- sen sich beispielsweise Patienten mit akutem Behandlungsbedarf schneller identifi- zieren und durch den Computer entsprechend priorisieren. Zudem ist denkbar, dass der KI-Algorithmus die Daten auch nach Auffälligkeiten untersucht, die mit den vor- getragenen Beschwerden der Patienten nicht direkt in Zusammenhang stehen.