Skip to main content

Die Möglichkeiten, mithilfe von Künstlicher Intelligenz radiologische Arbeitsabläufe und Untersuchungsergebnisse zu verbessern, sind enorm. Das gesamte Potenzial lässt sich wohl aber erst durch eine tiefe Integration von RIS, PACS, KI-Plattform und unterschiedlichen KI-Produkten realisieren. Wie Radiologie 4.0 in der Praxis gelingen kann, erklären Rainer Kasan, Dr. Christian Prasch – beide sind Geschäftsführer von Digithurst – und Dr. Franz Pfister, Geschäftsführer und Mitgründer von deepc, im Gespräch mit Guido Gebhardt.

Bevor wir tiefer ins Thema einsteigen, würde mich interessieren, welche technischen Voraussetzungen nötig sind, um KI-Algorithmen nutzen zu können?

Rainer Kasan: Um KI in den Workflow zu bringen, gibt es zwei Konzepte. Zum einen besteht die Möglichkeit, die Algorithmen vor Ort zu betreiben: Bei diesen so genannten On-premise-Installationen benötigt man leistungsstarke Rechner, die in der Lage sind, notwendige Rechenoperationen auszuführen.

Als Alternative stehen Cloud-Computing-Lösungen zur Verfügung. Dabei reicht vor Ort ein Collector, der die Untersuchungsergebnisse von der Modalität oder dem PACS empfängt, pseudonymisiert und zur Weiterverarbeitung in die Cloud sendet. Nach der Bildanalyse wird die fertige Auswertung wieder zurück ins PACS gespielt und den ursprünglichen Patientendaten zugeordnet.

Dr. Franz Pfister: Wenn wir KI Deployments heute mit denen vor drei Jahren vergleichen, stellen wir fest, dass Cloud-Installationen in Verbindung mit einer KI-Plattform wie der unseren zahlreiche Vorteile bieten. Denn wir verfügen über Hochleistungsserversysteme, die beispielsweise in der Lage sind, auch 20 oder 2000 zeitgleich eintreffende Studien zeitnah auszuwerten. On-premise bedürfte es wahrscheinlich eines sehr leistungsstarken GPU-Clusters, um das so genannte Load-Balancing und Queuing zu gewährleisten. Derartige Lösungen sind nicht nur teuer, sondern auch wartungsintensiv. Außerdem wäre es für einzelne KI-Anbieter oder auch für uns als Betreiber einer KI-Plattform ein deutlicher Mehraufwand, viele hundert Kunden und deren individuelle Installationsumgebungen zu betreuen und mit Updates zu versorgen. Als Kund:in wiederum möchte man auch nicht mit zig unterschiedlichen KI-Unternehmen sprechen, um zahlreiche unterschiedliche KI-Lösungen zu installieren und zu nutzen.

Dr. Christian Prasch: Eine On-premise-Konfiguration macht meines Erachtens Sinn, wenn es lediglich um die Nutzung von maximal ein oder zwei KI-Algorithmen geht. Für alles andere ist die tiefe Integration über eine KI-Plattform und Cloud der bessere Ansatz. Ein weiterer positiver Effekt für die Vorteile einer KI-Lösung mithilfe einer Plattform ist der Datenschutz. Denn Nutzer:innen haben es nur mit einem Unternehmen zu tun und müssen sich nicht mit zahlreichen unterschiedlichen Herstellern auseinandersetzen.

Gibt es sonst noch grundlegende Voraussetzungen, die erfüllt sein sollten, bevor man die Vorteile von KI nutzen kann?

Rainer Kasan: Jeder, der mit dem Gedanken spielt, Algorithmen zu nutzen, sollte sich erst einmal eine Strategie für seine Einrichtung überlegen. Da gilt es, sich darüber klar zu werden „Wie will ich KI nutzen?“, „Welche Vorteile verspreche ich mir von der neuen Arbeitsweise?“ und „In welchem Umfang werde ich KI nutzen?“. Denn davon hängt ab, wie Franz Pfister beschrieben hat, welche KI-Produkte über eine Cloud-Plattform integriert werden sollten.

Dr. Franz Pfister: Dem kann ich nur beipflichten. Wir sind ja auch sehr aktiv in der Community, beispielsweise mit themenspezifischen Webinaren, um das Verständnis von KI und den Nutzen, also den klinischen Mehrwert und den gewinnbringenden Einsatz der Technologie, in einem eigenen Umfeld mit einem spezifischen Workflow, zu vermitteln. Die Auswahl der Algorithmen gestaltet sich für jede Einrichtung ganz individuell. Nicht jede Klinik benötigt einen Algorithmus für Multiple Sklerose und niedergelassene Radiolog:innen brauchen üblicherweise keinen Stroke-Algorithmus.

Dr. Christian Prasch: Sowohl für uns als Anbieter, als auch für Kund:innen ist das Thema Vertrauensbildung von ganz besonderer Bedeutung. Im Grunde geht es darum, zu verstehen, wie die Algorithmen funktionieren und wie diese zu den Ergebnissen kommen. Außerdem ist es anfangs wichtig, Erfahrungen zu sammeln. Denn jeder Algorithmus ist ein technisches Konstrukt, das Stärken und Schwächen hat. Erst durch die tägliche Nutzung lässt sich in Erfahrung bringen, weshalb der Algorithmus in jedem speziellen Fall zu seiner Entscheidung kommt. Im Gespräch mit unseren Kund:innen hören wir sehr oft, wie wichtig es ihnen ist, zu verstehen, wie der jeweilige KI-Algorithmus funktioniert.

Erst wenn die Zusammenhänge für die Ärzte klar werden, haben wir die Möglichkeit, Verständnis für die Algorithmen zu gewinnen, die Abläufe richtig zu verstehen und zu gestalten und somit zu einer Workflowoptimierung beizutragen.

Rainer Kasan: Vertrauen in die Ergebnisse der Lösungen halte ich ebenfalls für einen sehr wichtigen Aspekt. Wir hatten zum Beispiel schon Fälle, bei denen Anwender:innen bei ganz bestimmten Untersuchungen immer wieder die gleichen falsch positiven Ergebnisse bekamen. Nach kurzer Zeit konnten die Radiolog:innen vorhersagen, wann sich der Algorithmus irrt. Ändern konnten sie diesen Zustand nicht. Das führt zu sinkendem Vertrauen in die KI-Ergebnisse und zu geringer Akzeptanz der neuen Technologie allgemein.

Wenn ein Algorithmus bei bestimmten Rahmen­bedingungen regelmäßig ein falsches Ergebnis liefert, sind wir als Hersteller gefordert, die Workflows so zu gestalten, dass für die Anwender:inen die Möglichkeit besteht, interaktiv einzugreifen, Korrekturen an den KI-Ergebnissen vorzunehmen und idealerweise Re-Training des Algorithmus anzustoßen.
Solche Prozesse halte ich für einen wichtigen Beitrag, um die Akzeptanz von KI-Lösungen zu steigern.

24_Radiologie40 - deepc_Grafik 2
Nur wenn KI-Algorithmen über eine KI-Plattform tief in RIS und PACS integriert sind, lassen sich auch vor-und nachgelagerte Prozesse von der Worklist bis zur Befundung in die Optimierung des Arbeitsablaufs einbeziehen. (Grafik: deepc)

Nach welchen Kriterien werden die Algorithmen für die „KI-Plattform“ ausgewählt?

Dr. Franz Pfister: Als Plattform-Unternehmen legen wir bei der Auswahl von Algorithmen sehr strenge Kriterien an. Derzeit sind mehr als 400 unterschiedliche Algorithmen kommerziell erhältlich. Natürlich wollen wir die besten dieser Lösungen zur Verfügung stellen und eine gewisse Diversität innerhalb unseres Angebots bieten.

Deshalb sehen wir uns jedes Unternehmen einzeln an und beurteilen individuell die Performance der Algorithmen. Dabei geht es nicht nur darum, klinische Studien anzusehen, sondern wir arbeiten uns mit unserem KI-Ecosystem-Team tief ein, um den klinischen Mehrwert jedes Produkts zu verstehen. Danach geht es an die Prüfung der rechtlichen Rahmenbedingungen: sind alle Regularien erfüllt, wie lautet der Intended Use und gibt es eine CE-Kennzeichnung oder FDA-Konformität? Natürlich testen wir die Algorithmen ebenfalls anhand von vorhandenen Daten auf deren Performance wie Sensitivität und Spezifität.

Rainer Kasan: Nach der Vorprüfung der Algorithmen kommt noch ein wichtiger Punkt dazu: nämlich der konkrete Workflow. Und genau da bekommen wir von unseren Kund:innen sehr intensives Feedback. Letztendlich ist das eine der Algorithmus, wie er getestet wird und was er vermeintlich kann. Das zweite ist, wie er in den jeweiligen Arbeitsablauf passt. Das sehen wir als wirklich wichtig an.

Werden bei der Datenübertragung zwischen RIS/PACS und der KI-Auswertung Standardschnittstellen genutzt?

Rainer Kasan: Es gibt einen Workflow, wie Radiolog:innen ihre Befunde erstellen, in welcher Reihenfolge sie sich Bilder ansehen und wie sie diese auf dem Bildschirm aufrufen. Die tiefe Integration der KI-Ergebnisse in den vertrauten Workflow ist ganz besonders wichtig. Die Ausschöpfung der Möglichkeiten des DICOM- Standards bei der Workflowintegration ist da sicherlich hilfreich.

Dr. Franz Pfister: Bei manchen Algorithmen funktioniert die tiefe Integration schon richtig gut, wie beispielsweise bei jenen, die die Bildaufnahme beschleunigen. Der Input für die Algorithmen ist DICOM, der Output ist DICOM. Das funktioniert auch gut, wenn es um die reine Kennzeichnung der Befunde im Bild geht, wie zum Beispiel der Frakturerkennung. Da haben wir bereits sehr smoothe Integrationen.

In anderen Bereichen, wo es etwa um die Quantifizierung geht oder um die Priorisierung von ganz dringenden Fällen, funktioniert die Integration noch nicht ganz so perfekt. Das DICOM-Format ist schlichtweg nicht dafür ausgelegt, den Transfer von den Ergebnissen in die vor- und nachgelagerten Systeme zu ermöglichen, beispielsweise in den Report oder in der RIS-/PACS-Worklist bestimmte Daten anzuzeigen. Die Infrastruktur für genau diese tiefe Integration haben wir mit deepc bereits entwickelt und bringen diese ab 2022 in die Produktion.

Da möchte ich gerne einhaken. Denn bisher ging es annähernd ausschließlich um die Integration von Entscheidungsunterstützung ins PACS. Der Workflow in der Radiologie beginnt aber schon bei der Vorbereitung der Untersuchung und endet erst mit dem Befundversand. Wie weit ist die Workflowintegration in diesen Bereichen fortgeschritten?

Franz Pfister: Die Workflowintegration mit den vor- und nachgelagerten Prozessen ist sehr komplex und es gibt unterschiedliche Lösungsansätze. Oftmals behilft man sich mit Workarounds und eigenen Interfaces. Der Verzicht auf Standards ist nicht sehr wünschenswert, da niemand gerne drei oder vier unterschiedliche KI-Algorithmen mit individuellen Interfaces einbindet.

Wir haben mit PACS-Herstellern gesprochen, die schon zahlreiche manuelle Integrationen realisiert haben. Das erzeugt vielleicht einen Mehrwert bei einem einzelnen Kunden, man kann sowas aber nicht in die Breite bringen.

Gerade hier braucht es also vereinheitlichte Interfaces und Schnittstellen, um Ergebnisse nahtlos in den Workflow mit einzubeziehen. Und genau da arbeiten wir eng mit Unternehmen wie beispielsweise Digithurst zusammen, um auf der Ebene deepc/Digithurst Schnittstellen zu schaffen, die allen Kund:innen von Digithurst zuverlässig eine tiefe Workflowintegration bietet. Damit der KI-Mehrwert nicht da aufhört, wo ein DICOM-Secondary-Capture angezeigt wird.

Rainer Kasan: Vielmehr sollen auch die Untersuchungsergebnisse mit ihren konkreten Messwerten in den Befund übertragen werden können. In der Worklist sollte angezeigt werden, bei welchen Untersuchungen das Processing bereits durchgeführt wurde, ob es Findings gibt und wenn ja, welche. Das sind alles großartige Möglichkeiten, um die User-Experience beziehungsweise die Akzeptanz zu verbessern.

24_Radiologie40 - teamVIEW
Vertrauen spielt in Bezug auf KI-Lösungen eine besondere Rolle. Man muss nicht
nur wissen, ob man sich auf die Ergebnisse des Algorithmus, sondern auch auf die KI-Unternehmen und die KI-Plattform verlassen kann. (Grafik: Digithurst)

Wo sehen Sie die Rolle der Plattformanbieter beziehungsweise der RIS/PACS-Hersteller im direkten Umfeld der KI-Unternehmen?

Rainer Kasan: Wir als RIS- und PACS-Hersteller sorgen dafür, dass sich die Darstellung der KI-Ergebnisse optimal in den gewohnten Workflow einfügt. Bisher sehen sich die Radiolog:innen beispielsweise beim Thorax jeweils eine frontale und eine laterale Aufnahme an. Der Einsatz von KI sollte meines Erachtens nicht dazu führen, dass zukünftig vier oder mehr Bilder anzusehen sind, in denen die KI-Findings angezeigt werden. Wünschenswert wäre es, dass die Findings beispielsweise als Presentation-States auf den Orginalbildern angezeigt werden. Unsere Aufgabe sehe ich darin, sowohl den Workflow als auch die User-Experience zu optimieren, um die Akzeptanz von KI-Lösungen zu steigern.

Eine wichtige Aufgabe der Plattform-­Hersteller, wie beispielsweise deepc, wird sein, die richtigen KI-Produkte auszu­suchen. Es reicht meines Erachtens nicht aus, wenn sich KI-Unternehmen damit zu­frieden geben, dass ihr Algorithmus sinnvolle Ergebnisse erzielt. Denn Kund:innen erwarten KI-Lösungen, deren Ergebnisse sie verstehen, denen sie vertrauen und die sie in ihrem Workflow unterstützen.

Dr. Franz Pfister: Ich kann nur bestätigen, dass die KI-Industrie noch dazu lernen muss. Ich sehe es unter anderem als unsere Aufgabe an, unsere Partner bei der Integration zu unterstützen, um die Algorithmen standardisiert in das Ökosystem einzubinden und die Ergebnisse standardisiert zurückzuspielen. Diese Interfaces stellen wir den Kund:innen zur Verfügung und zwar nicht nur den KI-Unternehmen, sondern auch den etablierten PACS-Unternehmen, um eine tiefe Integration zu ermöglichen. Nur so kommen wir dem Ziel einer optimalen Workflowintegration von der Erfassung der Patientendaten bis hin zur automatisierten, strukturierten Befunderstellung einen deutlichen Schritt näher. Um eine gewisse Harmonisierung zu erreichen, bauen wir unsere Library ständig aus. Wenn das gelingt, ist für alle Marktteilnehmer:innen viel gewonnen.

Dr. Christian Prasch: Letztendlich stellt KI lediglich die Funktionalität eines Gesamtprodukts dar. Marktteilnehmer:innen sollten akzeptieren, dass es gewisse Algorithmen gibt, die in die bestehenden Produkte beziehungsweise in die Workflows integriert werden müssen.

Wir sehen unsere Aufgabe darin, diese Infrastruktur gemeinsam mit deepc zur Verfügung zu stellen. Integrierte Workflows müssen lebendig sein und so wie Rainer Kasan es beschrieben hat, einen Loop zum Continuous-Learning ermöglichen. Radiolog:innen sollten zum ­Beispiel während des Diktats wählen können, ob sie mit dem Befundvorschlag weiterarbeiten, ob sie sich überhaupt einen Befundvorschlag anzeigen lassen möchten und wie sie den Befundvorschlag interpretieren oder ob sie den Befundvorschlag korrigieren. Erst mit diesem Wahlrecht haben Ärzt:innen es selber in der Hand, wie sie die KI nutzen und den Befundprozess individuell gestalten. So sieht für uns Radiologie 4.0 aus.

„Der Vorteil für das Management und die IT-Abteilung besteht bei der Nutzung einer KI-Plattform wie deepc darin, dass man viele verschiedene Herausforderungen auf einmal lösen kann – von der Prüfung und Inte­gration zahlreicher KI-Lösungen bis hin zu Betriebs­sicherheit, Support und Datenschutz.“

 digithurst.net

 www.deepc.ai