Healthcare

KI in der medizinischen Bildgebung, eine Revolution in der medizinischen Diagnose und Patientenversorgung

Veröffentlicht am 24 Januar 2024 Lesen 25 min

In den letzten Jahren wurde aufgrund des raschen technischen Fortschritts der Einsatz von Künstlicher Intelligenz (KI) in verschiedenen Bereichen des täglichen Lebens diskutiert. Spätestens seit ChatGPT für die Öffentlichkeit freigegeben wurde, ist KI in aller Munde.

Einer der vielen Bereiche, in denen KI eingesetzt werden könnte, ist die medizinische Bildgebung. Im Allgemeinen liefert die medizinische Bildgebung Ärzten detaillierte Visualisierungen der inneren Körperstrukturen und hilft bei der Diagnose und Behandlung verschiedener Krankheiten. Die zunehmende Menge und Komplexität medizinischer Bilddaten stellt jedoch eine Herausforderung für die genaue und effiziente Analyse und Interpretation dieser umfangreichen Informationen dar.

Künstliche Intelligenz bietet daher zahlreiche Möglichkeiten für die medizinische Bildgebung. In diesem Artikel untersucht Alcimed die verschiedenen Anwendungen von KI in der medizinischen Bildgebung sowie die zahlreichen Herausforderungen und Einschränkungen, die eine breite Anwendung dieser Technologien verhindern könnten.

Was ist KI in der medizinischen Bildgebung?

Künstliche Intelligenz umfasst verschiedene Techniken wie Machine Learning und Deep Learning, die es Computern ermöglichen, aus Daten zu lernen und intelligente Vorhersagen oder Klassifizierungen zu treffen. KI hat sich als leistungsfähiges Werkzeug zur Unterstützung und sogar Verbesserung medizinischer Bildanalysen erwiesen, da KI-Algorithmen aussagekräftige Informationen aus Bildern extrahieren können, um verschiedene Aufgaben wie die Bildsegmentierung, die Identifizierung von Anomalien und die Klassifizierung von Krankheiten zu erleichtern.

Wie wird KI in der medizinischen Bildgebung eingesetzt?

KI für die Brustkrebsvorsorge

Der Einsatz Künstlicher Intelligenz bei der Brustkrebsvorsorge wurde vorgeschlagen, um die Bildanalyse und die Krebserkennung zu verbessern (z. B. um die Rate falsch-positiver Untersuchungen zu senken und die Krebserkennungsrate zu erhöhen).

In einer retrospektiven, unabhängigen Validierungsstudie eines von der FDA zugelassenen KI-Tools von DeepHealth wurde die KI-Lesung digitaler Mammogramme mit menschlichen Lesungen in einem realen, auf die Gesamtbevölkerung bezogenen Brustkrebs-Screening verglichen. In dieser Studie zeigte die Künstliche Intelligenz eine geringere Spezifität im Vergleich zu Radiologen und eine niedrigere Krebserkennungsrate. Die KI erkannte jedoch Intervallkarzinome (Brustkrebs, der sich innerhalb von 12 Monaten entwickelt, nachdem ein Mammogramm als „normal“ befunden wurde), die von Radiologen übersehen wurden. Bei einem Double-Reading-Ansatz werden Diskrepanzen durch Abwägung oder eine zusätzliches Lesung behoben. In dieser Studie stieg die Zahl der Doppel-Lesungen durch KI und die Abwägung durch menschliche Radiologen, aber die Gesamtzahl der von Radiologen gestellten Befunde sank um etwa 41 %.

Ein weiteres Beispiel für den Einsatz von KI beim Brustkrebs-Screening wird derzeit in Ungarn getestet. Kheiron medical technologies arbeitet mit Klinikern der MaMMa Klinika in Ungarn zusammen, um ihre KI-Plattform Mammography Intelligent Assessment zur Erkennung von Brustkrebs zu testen. Bei diesem Test wird ein Mammogramm von zwei unabhängigen Radiologen und anschließend von Kheirons KI-Tool ausgewertet, das dann Bildbereiche, die erneut überprüft werden müssen, bestätigt oder markiert. Seit 2021 wurden 22 Fälle dokumentiert, in denen die KI einen Brustkrebstumor entdeckte, der zuvor von menschlichen Radiologen übersehen worden war (und 40 Fälle werden derzeit überprüft).

KI zur Erkennung von Lungenembolien

Die Lungenembolie ist eine lebensbedrohliche Krankheit, die in vielen Fällen sofortiges Handeln erfordert. Werkzeuge der Künstlichen Intelligenz könnten dabei helfen, eine Lungenembolie bei Computertomographien (CT) zu erkennen und Radiologen zu alarmieren, indem sie die Aufnahmen des Patienten, die ausgewertet werden müssen, in der Liste der durchgeführten Untersuchungen markieren. Dies verkürzt die Zeit bis zur Diagnose einer Lungenembolie und die Zeit bis zur Einleitung der nachfolgenden Therapie.

In einer Studie mit Thorax-CT-Scans von Onkologiepatienten wurde das von der FDA zugelassene KI-Tool von Aidoc Medical getestet, um die diagnostische Wirksamkeit der KI-Software zur Erkennung von zufälligen Lungenembolien in der klinischen Praxis zu bewerten. Die KI-Software wies eine hohe diagnostische Genauigkeit auf, verringerte die Rate der übersehenen Lungenembolien von etwa 45 % auf 2,6 %, wenn menschliche Radiologen durch das KI-Tool unterstützt wurden, und die Meldezeit für eine inzidente Lungenembolie wurde von 129 Stunden (Rückgang um 99 %) des Routine-Workflows oder 83 Stunden (Rückgang um 98 %) der menschlichen Triage auf 1,5 Stunden reduziert.

Das Unternehmen Viz.ai führte eine groß angelegte Blindstudie zur Algorithmus-Validierung für seine von der FDA zugelassene Softwareanwendung Viz Pulmonary Embolism Clot Detection Algorithm (Viz PE) durch, die in Zusammenarbeit mit dem Unternehmen Avicenna zur Erkennung von Lungenembolien und zur Alarmierung von Klinikern über den Befund entwickelt wurde. Dabei wurden CT-Scans von Lungenangiogrammen durch den KI-Algorithmus analysiert und seine Analyse mit derjenigen von drei zertifizierten Radiologen verglichen. Der KI-Algorithmus wies eine Sensitivität von 91 % und eine Spezifität von 95 % auf und könnte menschlichen Radiologen bei der Priorisierung von Patienten helfen und als sekundäres Leseinstrument eingesetzt werden. Viz.ai erklärt, dass die Integration dieses Tools der Künstlichen Intelligenz die Diagnostik beschleunigen und möglicherweise die Bearbeitungszeit der Berichte verkürzen könnte.

KI für Schlaganfall und intrakranielle Blutungen

In den letzten Jahren wurden mehrere Tools der Künstlichen Intelligenz zur Erkennung und Unterstützung der Behandlung von Schlaganfällen und Hirnblutungen entwickelt.

Schlaganfallstationen verschiedener Krankenhäuser auf der ganzen Welt arbeiten bereits mit KI-basierten Tools, um Schlaganfälle schneller zu erkennen und die – bei einem Schlaganfall entscheidenden – Zeit bis zur Behandlung des Patienten zu verkürzen. So haben beispielsweise die Krankenhäuser des gemeinnützigen US-Gesundheitssystems Banner Health bereits KI-Technologie implementiert, um Schlaganfälle unmittelbar nach einem CT-Scan zu erkennen.

RapidAI hat mehrere KI-Tools entwickelt, z. B. für die Erkennung von Schlaganfällen und die anschließende Alarmierung von Klinikern sowie für die Erkennung von intrakraniellen Blutungen (Blutungen zwischen Hirngewebe und Schädel). In einer Studie mit 308 kontrastlosen CT-Scans konnte das RapidAI ICH Tool 151 von 158 ICH-Fällen (intrakranielle Blutungen) erkennen und 143 von 150 ICH-negativen Fällen als negativ einstufen, was eine Sensitivität von 96 % und eine Spezifität von 95 % ergibt.


Erfahren Sie, wie unser Team Sie bei Ihren Projekten im Zusammenhang mit KI im Gesundheitswesen begleiten kann >


Herausforderungen und Grenzen der KI-unterstützten medizinischen Bildgebung

All diese verschiedenen hier beschriebenen Beispiele zeigen das enorme Potenzial der Künstlichen Intelligenz im Bereich der medizinischen Bildgebung, wie z. B. die Verbesserung der Bildlesung oder der Organisation der Bildlesung. Dies kann dazu beitragen, die Zeit zu verkürzen, bis ein Patient die notwendige und möglicherweise lebensrettende Therapie erhält. Das Potenzial der KI zur Unterstützung und Verbesserung von Diagnosen oder Behandlungsoptionen geht über die hier beschriebenen Beispiele aus der Radiologie hinaus. KI könnte auch zur Analyse von histopathologischen Präparaten, zum Auswerten von Echokardiogrammen oder zur Früherkennung von Augenkrankheiten durch die Analyse von Netzhautbildern eingesetzt werden…

Der Einsatz von KI in der medizinischen Bildgebung stößt jedoch auch auf gewisse Grenzen. Modelle der Künstlichen Intelligenz erfordern ein angemessenes Training, um Verzerrungen bei der Analyse zu vermeiden, und daher werden große, vielfältige und genau beschriftete Datensätze benötigt. KI-Algorithmen müssen klinisch validiert und mit realen Daten getestet werden, um Sicherheit und Zuverlässigkeit zu gewährleisten. Darüber hinaus wirft der Einsatz von KI im Gesundheitswesen ethische Fragen in Bezug auf die Sicherheit und den Schutz von Patientendaten auf. Zudem ist die Akzeptanz von KI zur Unterstützung der medizinischen Bildgebung durch Fachkräfte des Gesundheitswesens und Patienten eine Voraussetzung für die weitere Entwicklung des Einsatzes von KI in der medizinischen Bildgebung. Die Unterstützung durch Künstliche Intelligenz gewinnt unter Radiologen an Akzeptanz, da sie KI neben ihrer eigenen Ablesung und Analyse integrieren. Fachkräfte des Gesundheitswesens und Patienten sind jedoch nach wie vor skeptisch, was die Vertrauenswürdigkeit von KI im Bereich der medizinischen Bildgebung angeht.

Zusammenfassend lässt sich sagen, dass KI in der medizinischen Bildgebung ein großes Potenzial hat. Künstliche Intelligenz wird bereits erprobt und eingesetzt, um Diagnose und Behandlung zu verbessern, und der Einsatz von KI wird weiter zunehmen. Allerdings müssen bei der Entwicklung und dem Einsatz von KI-basierten Werkzeugen im Gesundheitswesen auch die technischen Grenzen und ethischen Herausforderungen berücksichtigt werden.

Alcimed wird die rasanten Entwicklungen in diesem Bereich genau verfolgen und unterstützt Sie gerne bei Ihren KI-Projekten im Gesundheitswesen! Zögern Sie nicht, unser Team zu kontaktieren.


Über die Autorin, 

Frederike, Consultant in Alcimeds Life Sciences Team in Deutschland

Sie haben ein Projekt?

    Erzählen Sie uns von Ihrem unerforschten Gebiet

    Sie haben ein Projekt und möchten es mit unseren Entdeckern besprechen? Schreiben Sie uns!

    Ein Mitglied unseres Teams wird sich in Kürze mit Ihnen in Verbindung setzen.