Künstliche Intelligenz Die größte Revolution seit Röntgen – der digitale Wandel in der Radiologie

Ein Gastbeitrag von Dipl.-Ing. (FH) Hendrik Härter Lesedauer: 7 min

Anbieter zum Thema

Mit dem Einzug der Künstlichen Intelligenz (KI) in die Medizin nimmt die Radiologie eine Vorreiterrolle ein. Der Einsatz von KI in der Bildgebung hilft bei der Auswertung medizinischer Daten und unterstützt Ärzte mit präzisen Informationen.

Radiologen werden von künstlicher Intelligenz unterstützt. Dabei können sich Mensch und Maschine ergänzen.
Radiologen werden von künstlicher Intelligenz unterstützt. Dabei können sich Mensch und Maschine ergänzen.
(Bild: Dmitriy Gutarev / Pixabay)

Viele moderne medizinische Geräte arbeiten bereits mit Künstlicher Intelligenz im Hintergrund. Mit den Algorithmen verbessert sich Qualität und Effizienz der Patientenversorgung. Neben anderen Faktoren hat die Pandemie den digitalen Wandel im Gesundheitswesen weiter beschleunigt. Gerade die Radiologie, die Körperstrukturen mittels Röntgen oder Sonografie bis hin zu aufwendigen Schnittbildverfahren wie CT oder MRT bildlich darstellt und auswertet, profitiert von dieser digitalen Revolution in der Medizin: Computersysteme können komplexe Bildanalysen genauer und in immer kürzerer Zeit durchführen. Den Radiologen kommt dabei eine Schlüsselrolle zwischen Informationstechnologie und medizinischer Versorgung zu.

Schnellere und präzisere Bilder können Leben retten

Ein Beispiel aus der Notaufnahme des Universitätsklinikums Jena zeigt, wie Ärzte und Patienten dank Künstlicher Intelligenz von schnelleren Abläufen und genaueren Bildern profitieren – Schnelligkeit rettet Leben. Neue Patienten klagen meist über Ziehen oder Stechen in der Brust, Atemnot oder Engegefühl. Nicht jeder Neuankömmling mit solchen Symptomen hat gleich einen lebensbedrohlichen Herzinfarkt. Doch gerade diese gefährdeten Patienten müssen direkt herausgefiltert und sofort weiterbehandelt werden. Um Prioritäten setzen zu können, muss das Klinikpersonal schnell und möglichst genau diagnostizieren und entsprechend in „harmlos oder lebensbedrohlich“ kategorisieren.

Seit der Pilotphase 2019 nutzen die Jenaer Ärzte einen Computertomographen mit Deep Learning Image Reconstruction (DLIR) von GE Healthcare. Das Gerät ist ein Vorreiter der Deep-Learning-Radiologie und ermöglicht beispielsweise eine exakte Bildgebung des Herzens und hochkomplexe Auswertungen wie eine dreidimensionale Rekonstruktion der umliegenden Gefäße – und das in kürzerer Zeit. So können die behandelnden Ärzte schnell entscheiden, wer am dringendsten behandelt werden muss. Früher hätte man für diese Klarheit die Strahlendosis erhöhen und mehr Zeit für die Scans aufwenden müssen.

Was ist Deep Learning Image Reconstruction (DLIR)?

Künstliche Intelligenz zielt darauf ab, Probleme selbstständig zu lösen, indem intelligentes Verhalten durch Algorithmen automatisiert wird. Computerprogramme erkennen Muster und Gesetzmäßigkeiten in Daten, indem sie riesige Datenmengen blitzschnell mit selbstlernenden Algorithmen analysieren. Dabei kann es sich um Muster in Bildern handeln – etwa bestimmte Zellen oder anatomische Strukturen – oder um Zusammenhänge zwischen verschiedenen Daten wie Laborbefunden und Informationen zum Behandlungsverlauf.

Das Gelernte wird verallgemeinert und in Form mathematischer Modelle gespeichert. Nach erfolgreichem Training ist das Computerprogramm in der Lage, auf ähnliche neue Ereignisse adäquat zu reagieren. Die DLIR-Technologie „True Fidelity“ von GE Healthcare für die Computertomographie erzeugt Bilder mithilfe Künstlicher Intelligenz: DLIR ermöglicht es, Datensätze so zu rekonstruieren, dass sie sehr scharf, rauscharm und kontrastreich sind und dennoch mit einer geringen Strahlendosis und damit geringen Belastung für den Patienten auskommen.

Die Bildrekonstruktion ist in eine Bildgebungskette auf höchstem technologischen Niveau integriert – vom Detektorelement über die Datenübertragung bis hin zur Deep-Learning-Bildrekonstruktion. DLIR ist eine besonders komplexe Form des maschinellen Lernens: Daten aus Phantombildern einerseits und hochauflösenden Bildern des Patienten andererseits werden auf mehreren Ebenen verarbeitet und daraus gelernt. Dank DLIR können Radiologen beispielsweise den Gesundheitszustand von Herz, Gehirn, Weichteilen, Knochen und Gelenken noch schneller und genauer beurteilen.

Wartezeiten verkürzen und Ressourcen effizienter nutzen

„Lange Wartezeiten führen einerseits zu Frustration bei Patienten und zuweisenden Ärzten, andererseits bergen sie die Gefahr, dass durch eine verzögerte Diagnose die für das jeweilige Krankheitsbild optimale Therapie nicht mehr durchgeführt werden kann. Kein Arzt will unzufriedene Patienten“, sagt Christian Bernhard, MBA, General Manager GE Healthcare DACH.

Neben kontinuierlich verbesserter Software für bildgebende Geräte bietet das Unternehmen auch KI-basierte Anwendungen zur Workflow-Optimierung für die Abläufe in Kliniken und radiologischen Praxen an. „Dieses Angebot ist, anders als ein MRT oder CT, zunächst unsichtbar, aber die Verbesserungen im Arbeitsablauf sind schlagartig spürbar“, sagt Christian Bernhard. Eine dreimonatige Testphase der Imaging Insights Software „Smart Scheduling“ von GE Healthcare und anschließende Überprüfungen zeigten weniger Leerlaufzeiten und eine höhere Kosteneffizienz bei gleichbleibender Bildqualität:

Jetzt Newsletter abonnieren

Täglich die wichtigsten Infos zu Big Data, Analytics & AI

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung
  • Suboptimale Termin- und Ressourcenplanung sowie Untersuchungsprotokolle lassen sich optimieren und standardisieren.
  • Die Wartezeit der Patienten auf eine Untersuchung wurde je nach Gerät (MR, CT, Mammographie und Ultraschall) von sechs bis acht Wochen auf ein bis zwei Wochen reduziert.

„Viele repetitive Aufgaben, die einen Mediziner oder das Pflegepersonal eigentlich unterfordern, aber dennoch gemacht werden müssen, werden zunehmend mithilfe von KI einfacher – etwa in der onkologischen Bildgebung. Gut ausgebildete Menschen können sich dadurch stärker auf das konzentrieren, was sie besonders gut können und ihr volles Potenzial ausschöpfen“, sagt PD Dr. Felix Nensa, Leiter der Arbeitsgruppe für Künstliche Intelligenz am Institut für Diagnostische und Interventionelle Radiologie und Neuroradiologie an der Medizinischen Fakultät der Universität Duisburg-Essen.

Dies ist angesichts des steigenden Bedarfs an medizinischem Personal und der Überlastung von Radiologen und medizinisch-technischen Radiologieassistenten von großer Bedeutung. Die Weltgesundheitsorganisation prognostiziert, dass der Bedarf an medizinischen Fachkräften in Europa bis 2030 auf 18,2 Millionen ansteigen wird [1]. Gesundheitsexperten gehen davon aus, dass KI-basierte Workflow-Lösungen in der Radiologie in diesem Jahr um das Zwei- bis Dreifache zunehmen werden [2].

Bessere MRT-Scans durch KI-optimierte Rekonstruktionsalgorithmen

Künstliche Intelligenz schafft den Spagat, hochauflösende Scans zu erstellen und gleichzeitig die Scanzeiten deutlich zu reduzieren. Denn schnelleres Scannen geht bei Geräten der heutigen Generation in der Regel mit einer Verschlechterung der Bildqualität einher. Bei schnellen Scans werden weniger Datenpunkte erfasst oder die Auflösung reduziert. Zu schnelle Scans führen zu verrauschten und körnigen Bildern, die für den Radiologen schwieriger zu interpretieren sind.

Die Rekonstruktion ist jedoch das Herzstück eines jeden MRT-Scans. Entscheidend für klare MRT-Bilder, die auch kleinste anatomische Strukturen erkennen lassen, ist die Reduzierung des Rauschens bei der Bildrekonstruktion. Der von GE Healthcare neu entwickelte Algorithmus AIRTM Recon DL wurde mittels Deep Learning darauf trainiert, Bildrauschen und Ringing-Artefakte direkt in den Rohdaten zu erkennen und zu entfernen.

Es wird also nicht erst das fertig rekonstruierte MRT-Bild verändert oder angepasst, sondern der optimierte Algorithmus setzt im Rohdatenraum (k-Raum) an. Auf diese Weise wird sichergestellt, dass nur Bildrauschen und Artefakte entfernt werden, die Anatomie aber originalgetreu abgebildet wird und einzelne Strukturen oder Pathologien besser dargestellt werden als ohne den Einsatz dieser Technologie. Das Ergebnis sind gestochen scharfe und detailgetreue MRT-Aufnahmen. Ein weiterer Vorteil von MRT-Geräten, die mit dem DL-Algorithmus ausgestattet sind: Er verkürzt die Scanzeiten bei bestimmten Anatomien um mehr als 50 Prozent, sodass mehr Patiententermine pro Tag wahrgenommen oder Patienten mit höherer Auflösung und mehr Sequenzen untersucht werden können, um mehr Sicherheit in der Diagnose zu erlangen.

Die mögliche Zukunft von KI in der Radiologie

Laut einer Umfrage des Automation & AI Report 2021 der internationalen Data & Analytics Group YouGov glaubt rund ein Drittel der Befragten weltweit, dass die Medizin in Zukunft stark von KI beeinflusst wird. Gleichzeitig gaben die in 17 Märkten weltweit befragten Nutzer an, dass sie Automatisierung im Haushalt, in der Produktion, beim Einkaufen und in der Mobilität generell befürworten. Dennoch zählt für zwei Drittel der Befragten neben dem Bildungswesen die Medizin zu den Bereichen, in denen sie menschliches Handeln der Automatisierung vorziehen.

Künstliche Intelligenz kann und will ärztliche Empathie und Expertise nicht ersetzen und schon gar nicht ärztliche Verantwortung übernehmen. Aber sie kann dem Arzt wichtige Entscheidungshilfen geben und die Wirtschaftlichkeit optimieren. Vorteile wie präzisere Bildgebung, höhere Geschwindigkeit bei Untersuchung und Diagnose sowie geringere Strahlenbelastung sind für Patienten und Ärzte gleichermaßen interessant.

Wie sich Mensch und Maschine ergänzen können

PD Dr. Felix Nensa von der Universität Duisburg-Essen betont die Synergie der Zusammenarbeit von Mensch und KI: „Auch KI oder Deep Learning wird nie hundertprozentig funktionieren, sondern genauso Fehler machen wie wir Menschen. Zum Beispiel beim Mammographie-Screening: Da kann es passieren, dass die KI einen tischtennisballgroßen Tumor übersieht, den wir Menschen selbst als Laien erkennen würden. Dieselbe KI erkennt aber bei anderen Screenings einen winzigen Herd, den Menschen in 80 Prozent der Fälle übersehen würden. Die Fähigkeiten von Mensch und Maschine konkurrieren also nicht miteinander, sie ergänzen sich vielmehr.

„Und hier schließt sich der Kreis: Um den technologischen Fortschritt durch KI stärker zu etablieren, gilt es, genau diese Synergie hervorzuheben und damit das Vertrauen der Nutzer in die Software zu stärken. Mensch und Maschine kommen gemeinsam zu einem präziseren Ergebnis! Gute KI-Tools, die die Medizin präziser machen, Arbeitserleichterungen schaffen und auch für den Patienten spürbar Dinge beschleunigen oder verbessern, werden sich weiter durchsetzen.“

Das Zukunftspotenzial liegt also in einer noch stärkeren Vernetzung von Mensch und Maschine und damit auch von Informatik und Gesundheitswissenschaften. Auch wenn die KI ethische und auch rechtliche Fragen aufwirft, bietet sie eine große Chance: Während Computer immer größere Datenmengen in immer kürzerer Zeit durchforsten und nach Auffälligkeiten suchen, kann sich der Radiologe der Interpretation und Absicherung der Daten und Diagnosen, der Zusammenarbeit mit Kollegen in interdisziplinären Teams und vor allem dem Gespräch mit dem Patienten widmen.

Referenzen

[1] Transforming healthcare with AI: The impact on the workforce and organizations | McKinsey

[2] Global Medical Imaging and Informatics Outlook 2022, Frost and Sullivan.

Dieser Artikel stammt von unserem Partnerportal ELEKTRONIKPRAXIS.

(ID:49484693)