Anfang 2017 fand eine Studie der Stanford University heraus, dass ein Deep Learning Algorithmus namens CheXnet Bilder lesen und eine Lungenentzündung genauso präzise diagnostizieren konnte wie menschliche Radiologen. Um zu einer zuverlässigen Diagnose zu gelangen, hat CheXnet zunächst die Informationen von 112.000 Thorax-Röntgenaufnahmen von Lungenentzündungspatienten aufgenommen und Muster in Patientenakten und Diagnosen bewertet.
Einige Technologen am MIT – keine Radiologen – erklärten prompt den bevorstehenden Tod des Radiologenberufs. Aber moderne Radiologen sagen, dass ihr Beruf nicht tot oder sterbend ist. Stattdessen freuen sie sich auf die von der künstlichen Intelligenz versprochenen Fortschritte, bei denen das maschinelle Lernen aus Hunderttausenden von anonymen Patientenakten genaue Vorhersagen für die Praxis der Medizin – und für die Gesundheit ihrer Patienten – bringen wird.
„Radiologie ist die Forschungs- und Entwicklungsmaschine, die die gesamte Medizin antreibt“, sagte Dr. Alex Norbash, ein erfahrener Neuro-Radiologe und Professor an der University of California, San Diego. „Wir werden in der Lage sein, mit unglaublicher Genauigkeit zu diagnostizieren, indem wir mit riesigen Datenmengen interagieren, anstatt sich nur mit einzelnen Studien zu beschäftigen.“
Diese Genauigkeit durch Deep Learning könnte Ärzten dabei helfen, schnellere und genauere Diagnosen zu stellen und die Genesung und Behandlung der Patienten besser auf das abzustimmen, was für jeden Einzelnen die besten Heilungschancen prognostiziert.
Eine neue Welle der Analyse
Die Radiologie ist seit jeher ein technologiegetriebener Bereich. Unglaublich teure bildgebende Maschinen – von Röntgen- und Ultraschallgeräten bis hin zu hochentwickelten Magnetresonanztomographen, die über die drei Dimensionen hinausgehen – haben das Feld dominiert. Aber auch diese Geräte werden obsolet, sobald die nächste Iteration der Maschine auf dem Markt ist. Das wird sich mit der nächsten Welle von Fortschritten, die durch Computer und die Cloud kommen, ändern.
„Die Mustererkennung ist etwas, was Radiologen sehr gut können“, sagt Dr. Kris Kandarpa, der stellvertretende Direktor für Angewandte Wissenschaft und Technologie am National Institute for Bioimaging and Bioengineering, einem föderalen, medizinischen Forschungsinstitut, das die Theorie in medizinische Werkzeuge übersetzt. „Die künstliche Intelligenz unterstützt uns dabei, uns mehr auf den Patienten zu konzentrieren, indem sie uns hilft, einige Theorien frühzeitig auszuschließen und Dinge zu erkennen, die wir vielleicht nicht gesucht haben.“
Z.B. sagt Kandarpa, dass manchmal Doktoren, die nach Beweis des Lymphoms suchen, sich auf das Suchen nach den Anzeichen für die Krankheit konzentrieren. „Aber eine Maschine, die in der Mustererkennung ausgebildet ist, kann alle Muster anschauen, selbst Muster, die Radiologen normalerweise nicht anschauen. Sie wird fragen: ‚Wussten Sie, dass so und so etwas auch bei diesen Patienten passiert?‘ Viele unserer Patienten haben Komorbiditäten, andere Krankheiten, auf die wir achten müssen“, sagt er.
Laut Kandarpa wird die KI nicht nur das Interpretationsende des Bildgebungsprozesses verändern. Es wird auch dazu beitragen, das Bild schnell und kostengünstig zu erwerben.
Ein Stipendium des Bioimaging-Instituts ging an einen Forscher, der ein Low-Level-MRT entwickelt, das in Verbindung mit einer Deep Learning Maschine voraussagen kann, was ein High-Level-MRT sehen wird. Diese genaue Vorhersage wird, wenn sie realisiert wird, die Zeit für sehr detaillierte MRTs verkürzen, so dass viermal so viele Patienten mit einem Gerät aufgenommen werden können.
„MRTs werden günstiger, wenn es eine Technologie gibt, die 3D-Bildgebung ermöglicht, die voraussagt, was ein 7D-Bild von einer Millionen-Dollar-Maschine sein wird“, sagte Kandarpa.
Big Data, präzise Diagnosen
Für Norbash wird die Nutzung der großen Datenmengen, die von AI in der Bildgebung erzeugt werden, die Präzision der Diagnostik insgesamt verändern. „Ich denke, die quantitative Bildgebung wird die Radiologie verändern“, sagt er. „Wir fangen an, Dinge auf eine sehr genaue Art und Weise zu messen.“
Norbash ist davon überzeugt, dass die Kombination von vorhandener Bildgebung mit Deep Learning (wie ChexNet) es ermöglichen wird, Informationen auszutauschen, die für Patienten und Ärzte viel nützlicher sind. „Was wir jetzt sagen, ist, dass die Ergebnisse normal erscheinen“, erklärte er. „Bald können wir den Gesundheitszustand von dem, was wir sehen, messen.“
Beispielsweise erhalten die Patienten Diagnosen, die detailliertere Informationen über eine Muskel- oder Bandverletzung enthalten, und über den normalen Verlauf der Genesung, basierend auf einer sehr präzisen bildgebenden Interpretation, die mit Deep Learning von Tausenden – wenn nicht Millionen – identischer Verletzungen bei anderen Patienten verschmolzen wird.
Wenn Ärzte genauere Messungen erhalten, wie z. B. das Volumen lebenswichtiger Organe wie Lunge, Herz und Gehirn, können sie Veränderungen an diesen Organen messen – und ob sie durch Krankheiten wie Emphyseme oder Hirntumoren verursacht werden, bei denen ungesundes Gewebe gesundes Gewebe verdrängt. Die Fähigkeit, Veränderungen zu messen und zu vergleichen, bedeutet auch, dass Ärzte in der Lage sein werden, die Wirksamkeit von Behandlungen zu erkennen, wie z.B. wie genau ein Ansatz das Wachstum von Tumoren reduziert oder zumindest verhindert.
Norbash sagt: „Mit Hilfe eines MRTs können wir den Blutfluss zum Herzen sehen. Wir werden es nicht nur sehen, wir werden es messen können, um eine genaue Darstellung davon zu erhalten, wie hart das Herz pumpt.“ All das bedeutet eine persönlichere Betreuung, und zwar früher als erwartet. „Denken Sie daran, was das für unsere Patienten bedeutet: schnellere und gründlichere Diagnosen mit viel mehr Informationen darüber, was ihr Körper tut und was sie erwarten können und was sie dagegen tun können“, sagt Norbash.
Darüber hinaus wird die Vorhersagekraft des Blicks auf Hunderttausende von Krankengeschichten von Patienten die Präventivmedizin zu einem präzisen und nützlichen Werkzeug machen, das weit über die jährlichen Untersuchungen und Tests hinausgeht. „Mit großen Daten werden wir unglaubliche Feuerkraft haben, und es ist möglich, dass wir eine Vorhersagefähigkeit haben, die auf einer massiven Population von Patienten basiert“, sagte Norbash. „Wir haben vielleicht die Fähigkeit, einen Versagensmoment vorherzusehen, ohne dass dieses Versagen tatsächlich eintritt. Und wir werden viel weniger Unterhaltungen führen, die meistens so endeten: Ich denke, es könnte das hier sein.“
Verbesserung der Patientenversorgung
Fortschritte in der Technologie – und die Fähigkeit, Informationen sofort auszutauschen, brechen die Silos in den Arztpraxen auf – ebenso wie die Einführung der interventionellen Radiologie, wo die Kardiologen heute in enger Zusammenarbeit mit den Radiologen arbeiten. Ärzte nutzen beispielsweise Live-Bilder, um Stents durch Venen zum Herzen zu schieben, wo Chirurgen einst erst Brustkörbe öffnen mussten.
„Jetzt ersetzen wir Herzklappen, ohne Patienten zu schneiden“, sagte Kandarpa. „Das ist es, was die Bildgebung ermöglicht hat. Es hat nicht nur die Diagnose präziser gemacht, es hat auch die chirurgischen Eingriffe von sehr invasiv zu einem Eingriff verlagert, bei dem die Menschen am nächsten Tag wieder weggehen können.“
Norbash sagt, dass die Fähigkeit, bis zum Universum der Informationen zu skalieren, seinen Beruf transformieren wird und Ärzten wie ihm nicht nur die Zeit gibt, eine bessere Patientenversorgung zu gewährleisten, sondern auch analytischere medizinische Forschung zu betreiben.
„Ich kann mir vorstellen, wie die Datenwissenschaft und die automatisierte Erkennung und Anerkennung es uns ermöglichen werden, frühzeitig zu sehen, welche radiologischen Funde normal sind, so dass ich mehr Zeit damit verbringen kann, abnormale MRTs zu untersuchen“, sagte Norbash. „Ich werde in der Lage sein, Anomalien gründlich zu studieren.“
Die automatische Erkennung wird auch die Routinearbeit reduzieren und den Radiologen die Möglichkeit geben, mehr Patienten in der selben Zeit zu untersuchen.
„In unserem Land [USA, Anm. der Red.] gibt es Unterschiede in der Versorgung, wo bestimmte Gruppen höhere Schlaganfall-, Herzinfarkt- und Krebsraten haben und eine bessere Gesundheitsversorgung benötigen“, beklagte Norbash. „Diese Fortschritte werden zu einer Umverteilung der radiologischen Bemühungen führen, denn jetzt kann ich mich auf die Patienten konzentrieren, denen ich wirklich helfen kann.“
