Künstliche Intelligenz: Das Stadion füllt sich!

4min
Philipp Grätzel von Grätz
Veröffentlicht am 9. Juli 2018

Werden selbstlernende Algorithmen die neuen Ärzte? Eher nicht, aber eine Medizin, die die Stärken der künstlichen Intelligenz nicht gezielt für sich nutzt, könnte schon bald als fahrlässig gelten.

Fotos: Markus Zucker
 

Es gibt sie bereits, die Nachrufe auf das Zeitalter der künstlichen Intelligenz (KI) in der Medizin. Einige mit viel PR-Aufwand lancierte Projekte haben ihre klinische Feuerprobe – etwa in der Onkologie – nicht bestanden: „Ist KI also die nächste Sau, die durchs Dorf getrieben wird? Bauen wir Stadien, die am Ende leer stehen?“ Mit diesen provokanten Fragen eröffnete Michael Meyer, Head of Strategy & Business Development Germany und Head of Government Affairs & Politics CEMEA bei Siemens Healthineers, ein Diskussionspanel zur künstlichen Intelligenz in der Medizin. Dort wurde freilich rasch klar, dass von leerstehenden Stadien keine Rede sein kann. Allenfalls strömen die Zuschauer nicht ganz so schnell wie mancher erhofft haben mag.

Künstliche Intelligenz und deren Konsequenzen für die Gesundheitsversorgung wurden am Hauptstadtkongress diskutiert.

Gut gefüllt sind die Ränge bereits in der Radiologie, wo diagnostische Werkzeuge, die KI nutzen, langsam aber sicher Einzug in die Versorgung halten. Der Präsident der Deutschen Röntgengesellschaft, Stefan Schönberg vom Institut für Klinische Radiologie und Nuklearmedizin der Universitätsmedizin Mannheim, gab sich überzeugt, dass der Einsatz von selbstlernenden Algorithmen nach Einführung der Kontrastmittel, nach der technischen Optimierung der Bildgebung mit dem Ziel höherer Geschwindigkeit und niedrigerer Dosis und nach der Etablierung molekularer Tracer die vierte, „mathematische“ Revolution der modernen Radiologie werde.
Entscheidend für den Erfolg selbstlernender Algorithmen in der Medizin seien qualitativ hochwertige Daten, anhand derer die Algorithmen trainiert werden könnten, betonte Schönberg: „Das wurde in einigen der bisherigen Projekte völlig außer Acht gelassen.“ Die Radiologie sieht er geradezu in der Pflicht, qualitätsgesichert annotierte Bilddatensätze zur Verfügung zu stellen, um aus den digitalen Möglichkeiten für die Patienten den maximalen Nutzen zu ziehen: „Die DRG baut dazu jetzt eine nationale, qualitätsgesicherte Radiomics-Plattform auf, in der die nötigen Daten gesammelt werden. Damit können wir viel auf den Weg bringen, müssen aber auch für mathematisch geschulten Nachwuchs sorgen.“

Auch Thomas Friese, Vice President Digital Ecosystem Platform bei Siemens Healthineers, unterstrich die Bedeutung großer Datensätze für die Weiterentwicklung der KI in der Radiologie: „Wir benötigen interinstitutionelle, vielleicht sogar internationale Datensätze, um die Algorithmen trainieren zu können.“ Friese erinnerte auch daran, dass bei aller Aufmerksamkeit, die lernfähigen Algorithmen derzeit zuteil wird, oft vergessen werde, dass Methodiken der KI und des Maschinenlernens in radiologischen Softwareprodukten schon heute vielfach etabliert sind. Die neueren Deep-Learning-Techniken trügen nicht zuletzt dazu bei, Programme, die zum Beispiel automatisch bestimmte Strukturen erkennen, noch leistungsfähiger zu machen.

Die Diskussionsteilnehmer unterstrichen die Bedeutung von Smart Data für die Gesundheitsversorgung.

Der These, wonach Anwendungen der künstlichen Intelligenz in der Radiologie allenfalls Zukunftsmusik seien, widersprach auch Michael Forsting, Leiter des Instituts für Diagnostische und Interventionelle Radiologie und Neuroradiologie und gleichzeitig CIO am Universitätsklinikum Essen. An der eigenen Einrichtung laufe beispielsweise bei CT-Untersuchungen von Patienten, die sich in einem frühen Schlaganfallstadium befinden, schon heute ein lernfähiger Algorithmus mit, der anhand der CT-Daten den ASPECTS-Score ermittelt. Dieser Score erlaubt es, die Prognose solcher Patienten abzuschätzen. Die manuelle Berechnung des Scores ist aufwändig und stark abhängig vom jeweiligen Radiologen. Die KI-gestützte Auswertung hat deswegen klare Vorteile.

Forsting sieht insgesamt einen evolutionären Prozess innerhalb der Radiologie hin zu immer mehr KI-Anwendungen in unterschiedlichen Situationen. Ein besonders interessantes Einsatzgebiet bereits in relativ naher Zukunft sei die Krebsfrüherkennung. Hier gebe es bereits große, qualitätsgesicherte Datensätze, anhand derer Algorithmen sehr effizient trainiert werden könnten: „In China wird niemals irgendein Radiologe Mammographie-Screenings machen. Auch beim Lungenkrebs-Screening glaubt heute keiner ernsthaft mehr, dass das Radiologen machen werden.“ Ein weiteres Gebiet, das prädestiniert für KI-Systeme ist, seien die Verlaufskontrollen in der Onkologie. All diese Untersuchungen seien aus radiologischer Sicht relativ langweilig, so Forsting. Er ist deswegen überzeugt, dass die Radiologie als Fach durch die künstliche Intelligenz eher attraktiver werde.
Forsting sieht auch keine Welle an Haftungsprozessen auf die Radiologie zurollen, wenn Software-Tools anfangen, Befunde zu erstellen. Auf die Ergebnisse komplexer Laborautomaten verlasse sich der Arzt, weil es hier eine sehr strenge Qualitätssicherung gebe, was auch die Rechtsprechung anerkenne. Nach diesem Modell könnte auch bei radiologischen KI-Systemen verfahren werden. Viel wahrscheinlicher sei, dass Ärzte künftig haftungsrechtliche Probleme bekommen, wenn sie KI-Tools nicht zur Unterstützung einsetzen und einen Befund übersehen, den die Software entdeckt hätte.

Machine Learning wird es uns ermöglichen Smart Data in der Gesundheitsversorgung zu nutzen.

Erwin Böttinger, Chair für Digital Health und Personalized Medicine am Hasso-Plattner-Institut, machte darauf aufmerksam, dass es bei der Diskussion um selbstlernende Algorithmen in der Medizin um viel mehr als die Optimierung medizintechnischer Diagnosegeräte gehe. Wesentliche Fortschritte im Bereich der Krankheitsprävention und -prädiktion seien zu erwarten, wenn selbstlernende Algorithmen genutzt würden, um komplexe gesundheitliche Sachverhalte zu analysieren, die nicht nur Bilddaten, sondern klinische Daten des gesamten Versorgungskontinuums und auch Consumer-generierte Daten umfassen.

Der Einsatz von Künstlicher Intelligenz in der Gesundheitsversorgung wurde am Hauptstadtkongress diskutiert.

Dies umzusetzen sei allerdings gerade in Deutschland ein Riesenproblem, so Böttinger: „Wir haben außerhalb der diagnostischen Fächer in Deutschland nicht den nötigen Datenkontext. Durch die Sektorentrennung fehlt uns das Gesamtbild. Für deutsche Unternehmen ist das ein entscheidender Wettbewerbsnachteil.“ Vielversprechende Anwendungen für KI-Algorithmen im Bereich der übergreifenden, breit angelegten Gesundheitsdatenanalyse sieht Böttinger unter anderem bei der relativ kurzfristigen Prädiktion schwerer Gesundheitsereignisse wie psychiatrischer Krisen oder akuter Herzinfarkte und Schlaganfälle. Wenn es hier gelinge, mit Hilfe von Algorithmen Perioden erhöhten Risikos zu detektieren, ergäben sich ganz neue Ansätze für gezielte Präventivtherapien.

Ein weiteres Problem für die KI-Nutzung im Gesundheitswesen neben der Bereitstellung geeignet umfangreicher Datensätze für das Training der Algorithmen ist für Matthias Schönermark von der Strategieberatung SKC die Finanzierung. Die Geschäftsmodelle, die dem Einsatz selbstlernender Algorithmen zugrunde lägen, seien seiner Auffassung nach in vielen Szenarien völlig unklar, so der Berater. Vor allem sei es nötig, über Anreizsysteme zu sprechen, um neue Technologien wie die KI-Anwendungen in der Breite einführen zu können: „Unsere Hypothese lautet, dass sich bei der künstlichen Intelligenz nur jene Geschäftsmodelle durchsetzen, von denen der Patient spürbar und objektivierbar einen Nutzen hat.“

Machine Learning birgt großes Potenzial für die Gesundheitsversorgung.

Von Philipp Grätzel von Grätz
Philipp Grätzel von Grätz arbeitet als unabhängiger Journalist und Redakteur für medizinische Themen und Technikthemen in Berlin.