Universität testet KI-unterstützten „Radiologie-Assistenten“

Technologie der NYU School of Medicine ermöglicht es Radiologen jetzt, Bilder in der bisherigen Form anzusehen, und, wenn notwendig, KI für eine zusätzliche Beurteilung heranzuziehen. Die bisherigen Ergebnisse sind beeindruckend.

Es gibt bekannterweise eine Reihe von Problemen beim Mammografie-Screening.

Das wohl bedeutendste ist die Tatsache, dass, obwohl relativ wenige Frauen tatsächlich an Brustkrebs erkranken, viele Frauen im Anschluss an ein Mammografie-Screening (wie z.B. diagnostischer Mammografie, Ultraschall und MRT) um zusätzliche Bildgebung gebeten werden, was einen hohen Preis darstellt, da es sowohl Stress für Patienten als auch hohe Kosten verursacht.

KI für die Radiologie einsetzen

Dr. Krzysztof J. Geras, Assistenzprofessor in der Abteilung für Radiologie an der NYU School of Medicine, leitete eine KI-unterstützte Initiative, um diese Herausforderung anzugehen.

„Unser Ziel ist, diese Anzahl zusätzlicher Bildgebungen zu reduzieren, und mit KI können wir dies erreichen“, erklärte er. „Es ist auch bekannt, dass ein kleiner Teil der Krebserkrankungen von den Radiologen während einer Mammografie-Vorsorgeuntersuchung übersehen wird. So hoffen wir, dass unser KI-Tool dabei helfen kann, diese Fälle zu erkennen und so möglicherweise Leben zu retten.“

Der Name der dafür vorgesehen Technologie lautet „ResNet-22“. Dabei handelt es sich um eine Art tiefes, neuronales Netzwerk, dessen Funktionsweise darin besteht, aus einer sehr großen Anzahl von Bild- bzw. Typ-Paaren zu lernen.

„In diesem Fall haben wir das Netzwerk trainiert, indem wir ihm mehrfach ungefähr 800.000 Beispiele mit dem richtigen Diagnoseergebnis gezeigt haben“, erklärte Geras. „Der gesamte Trainingsprozess dauerte ungefähr drei Wochen. Um dies zu ermöglichen, mussten wir einen sehr leistungsstarken Computer mit einer grafischen Verarbeitungseinheit verwenden.“

KI wird zum Assistenten der Radiologen

Die NYU School of Medicine plant, das KI-System jetzt an der NYU Langone Health, einem der größten akademisch-medizinischen Zentren in New York City, in der Praxis anzuwenden – und zwar als Assistenz für die Radiologen.

„Das heißt, der Radiologe sieht die Bilder in der bisherigen Form Bilder an“, sagte Geras: „dann kann er, wenn er es für notwendig erachtet, die KI zur Beurteilung heranziehen. Die KI macht dem Radiologen eine Wahrscheinlichkeitsangabe darüber, ob der Patient erkrankt ist und verweist auf die Teile der Bilder, die am verdächtigsten erscheinen – falls es solche Bildteile gibt.“

Auf diese Weise, so hofft das Team, wird das Selbstbewusstsein der Radiologen gestärkt und die Anzahl der Patienten verringert, die zu zusätzlichen bildgebenden Verfahren gebeten werden.

„Unsere KI wird derzeit nicht in unserem Krankenhaus eingesetzt“, erklärte Geras. „Die Ergebnisse einer von uns veröffentlichten Arbeit stammen aus einer retrospektiven Leserbefragung. In der Befragung wurden die Radiologen gebeten, ihre Vorhersagen über die Wahrscheinlichkeit, dass die Patientinnen an Brustkrebs erkrankt sind, anhand von Mammografie-Screening-Bildern zu treffen. Wir forderten die KI auf, genau dasselbe zu tun.“

Ein interessantes Resultat ergab sich, als das Team die Genauigkeit der Vorhersagen von Radiologen und der KI im Durchschnitt ermittelte, wobei der Durchschnitt beider zusammengenommen genauer war als jeder der beiden getrennt. Dies zeigt, dass KI und Radiologen unterschiedliche Merkmale der Daten verwenden, sagte er.

Ausblick auf eine Pilotstudie

„Dies könnte relativ einfach in die reale klinische Pipeline integriert werden“, erklärte er. „Wir erwägen derzeit eine Pilotstudie an der NYU Langone, um dies in einem klinischen Umfeld weiter zu validieren.“

Das bedeutendste Fazit, welches das Team der NYU School of Medicine zog, war der Anstieg der AUC (ein Maß für die Genauigkeit) von Radiologen bei der Unterscheidung zwischen Patienten mit und ohne Krebs von ungefähr 0,8 auf etwa 0,9, wenn die KI als zweites Lesegerät verwendet wurde.

„Ein zufälliger Prädiktor erreicht eine AUC von 0,5 und ein perfekter Prädiktor eine AUC von 1,0“, erklärte Geras. „Der Hauptfaktor, der es uns ermöglichte, so starke Ergebnisse zu erzielen, war die Größe des Datensatzes, den wir für das Training unseres neuronalen Netzwerks verwendeten. Es wäre für jeden einzelnen Radiologen äußerst schwierig, zu erkennen, dass sich während seines gesamten Lebens viele Bilder mit der endgültigen Diagnose paaren.“

Das neuronale Netzwerk lernte wochenlang unermüdlich – und während das Team daran arbeitet, das Design des Netzwerks zu verbessern und immer mehr Daten zu sammeln, werden sich auch die Ergebnisse noch weiter verbessern, fügte er hinzu.

KI-Ratschläge direkt vom Experten

Dr. Geras hat einige Ratschläge für Organisationen von Gesundheitsdienstleistern, die mit KI und verwandten Technologien arbeiten, um die Pflege zu verbessern und die Effizienz zu steigern.

„Führen Sie umfassende Tests aller KI-Technologien durch, bevor Sie sie in der klinischen Praxis einsetzen“, riet er. „Obwohl die Ergebnisse, die viele Gruppen mit KI erzielen, sehr vielversprechend sind, reagieren die von uns verwendeten tiefen neuronalen Netze bekanntermaßen sehr empfindlich auf Änderungen der Testdatenverteilung. Wir können derzeit keine Garantie dafür geben, dass die KI so genau wäre, wenn sie auf eine signifikant unterschiedliche Population oder auf Bilder angewendet würde, die mit unterschiedlichen Bildgebungsgeräten aufgenommen wurden.“ (…)


Um den vollständigen Artikel auf Healthcare IT News im englischen Original zu lesen, klicken Sie bitte HIER.

##
Dies ist eine Übersetzung eines Artikels von Bill Siwicki, erschienen auf der englischsprachigen Version von Healthcare IT News.

Auch für Sie interessant

Your search returned no results.