AI & Positronen-Emissions-Tomographie (PET)
"Siehst du den gelben Bogen, der so intensiv ist?" sagt Valtteri Uusitaloein Kardiologe am Helsinki Universitätskrankenhausl (HUS) und zeigt auf eine Reihe leuchtender Bilder auf einem Computermonitor. "Dort konzentriert sich das Modell der künstlichen Intelligenz (KI) auf den 3D-PET-Scan des Herzens." Die Positronen-Emissions-Tomographie (PET) ist ein bildgebendes Verfahren, bei dem radioaktive Tracer verwendet werden, um eine hohe Stoffwechselaktivität zu erkennen. Eine abnorme Aktivität ist oft ein verräterisches Zeichen für eine Krankheit. In diesem Fall sagt das KI-Modell Valtteri Uusitalo und seinem Kollegen Jukka Lehtonen, dass es sich höchstwahrscheinlich um einen Fall von Herzsarkoidose handelt, einer seltenen und oft tödlichen Entzündung des Herzens, die selbst für die erfahrensten Spezialisten nur schwer zu erkennen ist.
Die Heatmaps am unteren Rand des Bildschirms der Kardiologen sind das Ergebnis einer einjährigen Arbeit mit Kollegen von HUS und Datenwissenschaftlern von DAIN Studios - einer KI-Beratungsfirma mit Büros in Helsinki, Berlin und Wien. Sie markieren das verdächtige Gewebe im Herzen von vorne, von der Seite und von unten, indem sie CT-Scans (Röntgen-Computertomographie) der Herzkonturen - oben auf dem Bildschirm - mit den PET-Bildern der Stoffwechselaktivität in der Mitte und den Bereichen, die die Aufmerksamkeit des KI-Modells auf sich gezogen haben, kombinieren (siehe Abbildung 1).
"Die KI kann Muster in den Bildern erkennen, die das menschliche Auge nicht sehen kann...Das ist von großer praktischer Bedeutung für die Medizin."
Die Software wurde anhand eines Archivs mit kombinierten PET/CT-Scans und Diagnosen von Hunderten ehemaliger HUS-Patienten trainiert, Die DAIN-Software erkennt derzeit mit einer Genauigkeit von über 93 Prozent die kardiale Sarkoidose - ein so genanntes 'wahres positives' Ergebnis oder, in dessen Abwesenheit, ein so genanntes 'wahres negatives' Ergebnis. "Das ist so gut wie bei einem Kliniker,", sagt Ulla Kruhse-Lehtonen, eine der Mitbegründerinnen von DAIN Studiosund Geschäftsführerin der finnischen Niederlassung des Unternehmens. "Und mit mehr Daten wird es noch besser werden.."
Nach dem Training, der Validierung und dem Testen der Software an einem Datensatz von HUS wird der nächste Schritt darin bestehen, sie an Daten aus anderen Ländern zu testen - Gespräche mit Krankenhäusern in den USA und Japan sind im Gange.
Eine "Supermacht KI"?
"Dies ist die Art von 'Superpower-KI', die einen wichtigen Beitrag zu unserem Leben leisten wird - wenn wir sie richtig einsetzen...Diese KI entscheidet nicht selbst, sie ist lediglich ein Assistent des behandelnden Arztes, und sie ist das, was wir erklärbare KI nennen - sie 'erklärt' ihre Diagnosen, indem sie auf den Heatmaps zeigt, was sie sieht oder nicht sieht."
Dies wird deutlich, wenn man Abbildung 1 (b) - PET-Intensität - mit (c) - Heatmap - vergleicht, die die Bereiche zeigt, auf die sich das Modell bei seiner Entscheidung konzentriert hat.
Dirk Hofmann, ein Mitbegründer von DAIN und Geschäftsführer des deutschen Unternehmens, sagt: "Unsere Vision ist es, dass diese Software Teil medizinischer Bildgebungsgeräte wird, so dass Ärzte, die keine Experten für kardiale Sarkoidose sind, diese seltene Krankheit dennoch sicher diagnostizieren können."
Das Versprechen, medizinische Diagnosen und Behandlungen zu verbessern, die Effizienz von Ärzten zu steigern und die Ressourcenzuweisung zu optimieren, hat zu einer zunehmenden Begeisterung für die KI-gestützte Gesundheitsversorgung geführt. Das Marktforschungsunternehmen Verified Market Research prognostiziert beispielsweise, dass der weltweite Umsatz mit KI-gestützten Diagnoselösungen zwischen 2021 und 2030 um das Vierzehnfache auf 10 Milliarden US-Dollar steigen wird.
Der Ansatz von DAIN besteht darin, die Vorteile der KI zu nutzen und gleichzeitig erklärbare KI einzusetzen, um die potenziellen klinischen, sozialen und ethischen Nachteile, wie mögliche Fehler und Patientenschäden, mögliche Entscheidungsfehler und mangelnde Transparenz und Vertrauen, zu beseitigen.
Explainable AI (XAI) ist eine Möglichkeit, ein wachsames menschliches Auge auf die Arbeit des mathematischen Modells zu haben, das jede KI-Anwendung antreibt - eine Möglichkeit, seine Argumentation zu verfolgen oder, wenn nötig, abzuschalten. Im Jahr 2021-22 nahm DAIN an einer Business Finnland finanzierten Programm namens AIGA(kurz für Artificial Intelligence Governance and Auditing) teil, das das selbsterklärte Ziel hat, "Lösungen für die Umsetzung verantwortungsvoller KI in der Praxis zu entwickeln."
Hugo Gävert, DAINs Chief Data and AI Officer, erinnert sich: "KI-Governance und -Prüfung sind im Bereich der medizinischen Bildgebung von entscheidender Bedeutung, und wir haben nach Möglichkeiten gesucht, erklärbare KI in den medizinischen Bereich zu bringen."
Revolutionierung der Diagnoseverfahren durch KI
Im Universitätskrankenhaus Helsinki befassten sich Lehtonen, Uusitalo und ihre Kollegen mit dem, was Lehtonen als ihren "alten Kampf" bezeichnet, der Diagnose von Patienten mit kardialer Sarkoidose: Die verräterischen Muster der ungewöhnlichen Stoffwechselaktivität im Herzen waren selbst für die erfahrensten Spezialisten auf den besten PET-Scans nur schwer zu erkennen; und die einzige Möglichkeit, definitiv festzustellen, ob es sich bei den Verdachtsfällen um echte oder falsche Alarme handelte, bestand darin, eine schwierige Nadelbiopsie des Herzgewebes durchzuführen.
"Das Verfahren muss oft wiederholt werden," sagt Lehtonen. "Es ist ein langer und frustrierender Weg bis zur Diagnose. Normalerweise dauert es Wochen - ich habe auch schon erlebt, dass es sechs Monate dauerte."
Das Team an der HUS hatte bereits nach Möglichkeiten gesucht, diese Wartezeit zu verkürzen. So hatten sie zum Beispiel erfolglos nach schnelleren Ansätzen auf der Grundlage der RNA-Sequenzierung geforscht. "Ich denke, KI war der nächste logische Schritt," erinnert sich Lehtonen. Zufälligerweise verfügte das HUS über mehr als tausend PET-Scans von Verdachtsfällen auf kardiale Sarkoidose - und deren letztendliche Diagnosen -, weil ein angesehener Kardiologe des Krankenhauses über ein Jahrzehnt lang einen riesigen Datensatz mit Bildgebungsdaten dieser Fälle zusammengestellt hatte. "Das finnische Material ist bemerkenswert," sagt Lehtonen. "Aber ich hatte trotzdem keine großen Hoffnungen."
Doch als die Ärzte dann auf die Datenwissenschaftler trafen, änderten sich die Dinge schnell.
"Ihre Daten zur kardialen Sarkoidose waren beispiellos...Es handelte sich um einen riesigen Fundus an Bildgebungsdaten und durch Biopsie verifizierte Diagnosen - wir haben uns das inzwischen angeschaut, und es gibt nirgendwo sonst auf der Welt etwas in diesem Umfang."
Die Qualität der 3D-Scans war gut genug, um Deep-Learning-Algorithmen zu trainieren, die Zusammenhänge zwischen den Mustern auf den PET- und CT-Bildern und der eventuellen Diagnose auf der Grundlage der Laboruntersuchung des biopsierten Gewebes erkennen können. "Wir wussten, dass wir ein KI-Modell für diese Aufgabe entwickeln und trainieren konnten."
Die Datenwissenschaftler von DAIN anonymisierten zunächst die Daten von fast achthundert Fällen, um die Privatsphäre der Patienten zu schützen. Bevor sie das KI-Modell trainierten, verarbeiteten sie die Bilder vor und isolierten das Herz sowohl in CT- als auch in PET-Scans visuell. "DieSegmentierung des Herzens ist eine Herausforderung, da seine Grenzen in den CT-Scans nicht immer klar sind", sagt Gävert. "Dieser Schritt ist jedoch unerlässlich, da nahe gelegene Lymphknoten auch auf den PET-Bildern eine hohe Aktivität aufweisen können. Anschließend teilten Gävert und seine Kollegen den Datensatz in einen Trainings-, einen Validierungs- und einen Testsatz auf - eine Standardtechnik in der KI, die sicherstellt, dass in jeder Phase unterschiedliche Daten verwendet werden.
Die vorverarbeiteten Bilder wurden in ein selbstlernendes neuronales Netz eingespeist, das für die Bildverarbeitung bekannt ist.
Wir haben ein so genanntes residuales neuronales Netz verwendet, das immer kompliziertere Muster erkennen und kategorisieren kann...Je tiefer das Netz ist, desto ausgefeiltere Objekte kann es erkennen."
DAIN fügte eine Technik hinzu, die als aufmerksamkeitsbasierte Modellierung bezeichnet wird, so dass die Software den Nutzern nicht nur mitteilt, ob sie ein Bild als positiv oder negativ einstuft, sondern ihnen auch zeigt, welche Muster im Bild sie zu dieser Entscheidung veranlasst haben.
Fehlersuche und Optimierung des Modells
Zwischen Juni und November 2022 testete und optimierte das DAIN-Team das Modell, damit es möglichst viele der durch Biopsie identifizierten Fälle der Teststichprobe erfasst. "Am Ende haben wir nur sehr wenige der wirklich positiven Fälle übersehen - und das könnte an einem Problem mit den ursprünglichen Daten gelegen haben,", sagt Garold Murdachaew, der bei DAIN federführend an der Erprobung des Modells beteiligt war. Aufgrund seiner Konzeption ist das Modell derzeit weniger gut in der Lage, echte Negative zu erkennen.
"Wir überdiagnostizieren die kardiale Sarkoidose immer noch absichtlich - eine Biopsie zu machen, um Gewissheit zu erlangen, dass jemand nicht krank ist, ist menschlich gesehen weniger kostspielig, als eine positive Diagnose gänzlich zu verpassen.
Bei HUS geht Lehtonen davon aus, dass die Software, wenn sie mit anderen Datensätzen so gut funktioniert wie mit dem finnischen und alle behördlichen Auflagen erfüllt, in drei Jahren klinisch eingesetzt werden könnte, um zumindest die kardiale Sarkoidose auszuschließen. "Für viele Menschen könnte es die Diagnosezeit auf Tage oder Wochen verkürzen, statt wie bisher auf Wochen oder Monate.
Er glaubt nicht, dass die KI die wissenschaftliche Gewissheit der Biopsie in absehbarer Zeit ersetzen wird - obwohl das natürlich das Endziel ist. "Das System ist einfach zu bedienen und zu verstehen", sagt er. "Wir müssen nun Erfahrungen damit sammeln, aber es sieht sehr vielversprechend aus.