contextflow liefert Entscheidungsunterstützung für die Radiologie
Künstliche Intelligenz und das maschinelle Lernen gehören gegenwärtig zu den großen Themen in der Radiologie. Seit 2014 beschäftigt sich contextflow, ein Spin-Off der Medizinischen Universität Wien unterstützt durch die Inkubatoren i2c Technische Universität Wien und INiTS, mit genau diesen Themen. Immer dann, wenn während der Befundung eines Falles zusätzliche Informationen für eine sichere Diagnose benötigt werden, findet die Software basierend auf einer markierten Bildregion visuell ähnliche Vergleichsfälle und dazugehörig relevante Fachartikel. Die Lösung wird kontinuierlich im engen Austausch mit Radiologen weiterentwickelt. Zwei davon sind Dr. Helmut Prosch, Facharzt für Radiologie an der Universitätsklinik für Radiologie und Nuklearmedizin an der MedUni Wien/AKH Wien und Dr. Philipp Peloschek, Leiter des Radiology Center Wien. An beiden Einrichtungen soll contextflow noch in diesem Jahr in den Echtbetrieb übernommen werden.
Warum Algorithmen des maschinellen Lernens so wichtig sind, erläutert Dr. Prosch: „Die neue Generationen von CT und MRT liefert so viele Informationen, dass ein Mensch sie nicht alle erfassen kann. Trotzdem müssen wir Radiologen daraus Befunde und Diagnosen ableiten. Das maschinelle Lernen ermöglicht uns eine einfachere Auswertung der Bilddaten und bedeutet im Endeffekt eine höhere Sicherheit für Arzt und Patient.“ Besonders hilfreich ist die Softwareunterstützung bei seltenen Erkrankungen, die ein Radiologe nicht so häufig sieht.
So liegt der Fokus von contextflow gegenwärtig auf der Unterstützung der Diagnose von diffusen parenchymaösen Lungenerkrankungen. Davon gibt es mehr als 200 und die Unterschiede sind sehr schwer zu beurteilen. „Die Software hilft uns, die krankhaften Veränderungen in einen klinischen Kontext zu setzen und damit die Befundung abzusichern“, sagt Dr. Prosch
Alle Informationen auf Mausklick
Wie funktioniert das mit contextflow? Der Radiologe markiert eine Bildregion mit markanten Inhalten, veranlasst eine Analyse des Algorithmus und bekommt binnen Sekunden relevante Referenzfälle, die dieselben Mustercharakteristika aufweisen, sowie Informationen zu naheliegenden Differentialdiagnosen. Parallel werden Links zu Textstellen in der Fachliteratur aufgeführt. „Keine zeitaufwändige und frustrierende Suche mehr in unterschiedlichen Webseiten und Büchern, um die benötigten Informationen zu finden. Sie sind jetzt nur noch einen Mausklick entfernt.“, verspricht Markus Holzer, Mitgründer und Geschäftsführer von contextflow. Die Technologie von contextflow analysiert und lernt dabei von weitaus mehr Bildern als ein Radiologe in seiner Dienstzeit zu Gesicht bekommt.
Mit ein wenig Übung kommt man mit einer, bisher üblichen, gezielten Recherche auch zu Ergebnissen“, gibt Dr. Peloschek über die bisherige Arbeit ohne der Software zu bedenken, „der Vorteil des maschinellen Lernens liegt allerdings in der Automatisierung und Einbindung in unsere Arbeitsabläufe. Und die Ergebnisse sind valide, unabhängig von der individuellen Erfahrung der Radiologen.“ Er ist der Überzeugung, dass Befunde mit maschinellem Lernen künftig schneller, für Patienten sicherer und für die Zuweiser exakter erbracht werden können. „Die ersten Ergebnisse bei Stichproben sind sehr vielversprechend“, so der Leiter des Radiology Center Wien.
https://radiologiemagazin.de/conhit-2017-auf-der-suche-nach-innovativen-trends