Der Einsatz von Künstlicher Intelligenz (KI) in der Radiologie, wie in der Medizin insgesamt, wird teilweise noch immer mit Argwohn betrachtet. Die ärztliche Ausbildung und Arbeit mit Unterstützung digitaler Technologien stecken größtenteils in den Kinderschuhen. Dabei liefert der Einsatz von KI neue Chancen für eine positive Veränderung ärztlicher Tätigkeit mithilfe profunder Datenwissenschaft. Und auch Patient:innen profitieren nachweislich vom synergistischen Zusammenspiel von Mensch und Maschine. Wie eine solche Zusammenarbeit aussehen kann, zeigt das MedTech-Startup deepc aus München mit dem Klinikum rechts der Isar der Technischen Universität München.
Die Radiologie war schon immer eine vom technologischen Wandel geprägte Disziplin. Radiologische Tätigkeit umfasst dabei deutlich mehr als nur die Analyse radiologischer Aufnahmen wie Röntgenbilder, CT- oder MRT-Aufnahmen. Unter Einbeziehung verschiedenster Datenpunkte eine wahrscheinliche Diagnose zu finden, ist besonders anspruchsvoll und zeitaufwändig, erfordert höchste ärztliche Erfahrung und konstante Konzentration.
An sich eine Steilvorlage für den Einsatz von KI: Denn diese kann vielfältige Anwendungen in der radiologischen Praxis unterstützen, von der Bilderfassung und -verarbeitung bis hin zur Befundung oder der Prognose eines Krankheitsverlaufs. KI-Algorithmen können mit Millionen von Datenpunkten Details erkennen, die für das menschliche Auge leicht zu übersehen oder sogar nahezu unsichtbar sind. Ein Algorithmus wird eine kleine Gehirnblutung unter Tausenden von Schnittbildern schneller identifizieren, ein anderer in Sekundenschnelle das exakte Volumen eines Tumors bestimmen. KI braucht zudem weder Pausen noch Schlaf und entlastet von immer wiederkehrenden und zeitraubenden Aufgaben.
Diagnostik kann mit KI also schneller, präziser und weniger fehleranfällig sein. Dennoch sagen laut einer Studie mehr als ein Viertel der Medizinstudent:innen, dass KI einer der Gründe dafür ist, dass sie Radiologie nicht als ihr Fachgebiet wählen*.
Viele erfahrene Radiolog:innen denken ähnlich: Wie eine Studie der European Society of Radiology* zeigt, sorgt sich mehr als die Hälfte der Befragten, dass der Einsatz von KI Arbeitsmarktaussichten verschlechtern wird.
Priv.-Doz. Dr. Benedikt Wiestler, Radiologe und Leiter der Forschungsgruppe Computational Imaging am Klinikum rechts der Isar der Technischen Universität München (TUM) sieht diese Sorgen als unbegründet: “Der Einsatz von KI verschiebt in der Tat den Fokus diagnostischer Tätigkeit, was aber eine große Chance für mehr Konzentration auf Wesentliches bieten kann. So können nur Ärzt:innen Fragen adressieren, die zur eindeutigen Einordnung einer Krankheit wichtig sein können. KI erläutert Patient:innen nicht die Diagnose, sie gibt ihnen und ihren Angehörigen weder Sicherheit noch Rückhalt. Auch bei der Zusammenarbeit verschiedener Fachrichtungen und dem ärztlichen Austausch zu komplexen Krankheitsbildern werden wir Fachleute auch künftig unverzichtbar, und sogar gefragter denn je sein.”
Das Zusammenspiel aus ärztlicher Erfahrung und Kompetenz mit KI ermöglicht also eine bessere Konzentration auf komplexe Fälle, damit mehr Patientensicherheit und mehr Zeit für Kommunikation – allseits bekannte Bedürfnisse, die Ärzt:innen und Patient:innen zugutekommen, und für die meistens im Klinikalltag zu wenig Zeit bleibt.
Dr. Franz Pfister, CEO des MedTech-Startups deepc (Bild (C) deepc)
Der Arzt und Datenwissenschaftler Dr. Franz Pfister, CEO des MedTech-Startups deepc, das eine der führenden KI-Plattformen im Bereich der radiologischen Diagnostik entwickelt hat, erläutert: “Mit dem Einzug von KI in die Radiologie ergibt sich die Herausforderung, notwendiges datenwissenschaftliches Wissen frühzeitig zu vermitteln. Bereits die allgemeine ärztliche Ausbildung sollte daher die Grundlagen von KI beinhalten: Mediziner:innen sollten entscheiden können, wie KI-Algorithmen interpretiert und in die klinische Entscheidungsfindung miteinbezogen werden. Begriffe wie maschinelles Lernen, überwachtes und unüberwachtes Lernen, Deep Learning und andere Konzepte zu verstehen, ist essenziell, genauso wie die Frage, wie Trainingsdaten einen KI-Algorithmus formen, um tatsächlich einen echten klinischen Mehrwert zu bieten.”
Besonders vielversprechend ist demzufolge eine enge Zusammenarbeit von Datenwissenschaftler:innen und Radiolog:innen bei der Erprobung und Evaluation von KI-Anwendungen.
deepc und das Klinikum rechts der Isar starteten 2020 mit dem gemeinsamen, von der Initiative “Bayern Innovativ”, geförderten Projekt “NeuroPIPE”, mit dem Ziel, eine automatisierte Integration und Orchestrierung von KI-Algorithmen für den klinischen Alltag zu erproben.
Die Integration von Künstlicher Intelligenz in einer Klinik ist Ressourcen-aufwändig. „Einer Vielzahl von KI-Anwendungen stehen unterschiedlichste Krankenhaussysteme gegenüber, die Integration ist komplex und teuer, die ärztlichen Nutzer:innen kennen sich zudem meist mit KI nicht aus. Nicht zu vergessen sind die einzuhaltenden regulatorischen Aspekte zum Beispiel hinsichtlich der DSGVO und des Einsatzes von Algorithmen als Medizinprodukte”, fasst Dr. Franz Pfister von deepc die Herausforderungen zusammen.
Im gemeinsamen Projekt mit dem Klinikum rechts der Isar legte deepc den Grundstein für die Produktentwicklung des Betriebssystems deepcOS, das seit März 2021 für den europäischen Markt als CE-gekennzeichnetes Medizinprodukt zugelassen ist. Das System beinhaltet eine KI-Plattform mit zahlreichen KI-Lösungen im Bereich der radiologischen Diagnostik von weltweit führenden KI-Unternehmen. Die für mittlerweile mehr als 25 klinische Indikationsfelder nutzbaren Anwendungen sind alle geprüft, regulatorisch konform und nach einer einmaligen unaufwändigen Installation in alle gängigen Krankenhausinformationssysteme integrierbar. Die Klinik hat damit die Gewissheit, mit einer einzigen Plattform auf viele verschiedene KI-Anwendungen Zugriff zu haben, und so auch deutlich geringere Kosten.
“Ohne die enge und produktive Zusammenarbeit mit Radiolog:innen wären wir sicher nicht so schnell und gut bei der Entwicklung von deepcOS gewesen. Wir konnten so Lösungen finden, die später wirklich auch in der klinischen Anwendung funktionieren und vor allem Vertrauen gegenüber dem Einsatz von Künstlicher Intelligenz in der klinischen Routine schaffen”, fasst Dr. Franz Pfister zusammen.
Aktuell hat deepc ein Forschungsprojekt mit der Universität Landshut initiiert und fördert weitere wissenschaftliche Validierungen beim Einsatz von KI für die radiologische Diagnostik.
*Quellen:
1 European Journal of Radiology, https://www.sciencedirect.com/science/article/abs/pii/S0720048X19303924
2 https://insightsimaging.springeropen.com/articles/10.1186/s13244-019-0798-3