Sonntag, 20. September 2020
Navigation öffnen
Anzeige:

JOURNAL ONKOLOGIE – Artikel

15. November 2019
Seite 1/3
Künstliche Intelligenz in der Radiologie – Ein Ausblick in die Zukunft

C. Arndt, F. Niekrenz, I. Diamantis, F. Güttler, U. Teichgräber.1 1Institut für Diagnostische und Interventionelle -Radiologie (IDIR), Universitätsklinikum Jena.

Der Fortschritt der klinischen Onkologie ist in entscheidendem Maß auch von Weiterentwicklungen der radiologischen Bildgebung abhängig, egal ob dies die Erstdiagnose oder das Monitoring im weiteren Verlauf betrifft. Ziel ist es, onkologische Erkrankungen frühzeitiger zu identifizieren und präzisere Aussagen, auch bezüglich der Tumorentität und prognostischer Verläufe zu treffen. Hierzu liefern Künstliche Intelligenz (KI)-basierte Technologien neuartige Möglichkeiten. Doch diese datenhungrigen Verfahren verlangen eine aufwendige Entwicklung, die die Bedeutung der angewandten Informatik für die alltägliche Medizin enorm verstärkt. Damit diese Technologien letztlich erfolgreich in der medizinischen Routine genutzt werden können, bedarf es einer engen Zusammenarbeit von Radiologen, den korrespondierenden klinischen Fächern und der Gesundheitsindustrie.
Unter allen medizinischen Disziplinen wird die Radiologie mit Sicherheit in größerem Ausmaß von KI-basierten Technologien profitieren. Der unscharfe Begriff der Künstlichen Intelligenz umfasst verschiedene Methoden zur Entwicklung von intelligenten Systemen. Das wachsende Interesse an solchen Technologien ist zurückzuführen auf aktuelle Fortschritte im Bereich des machine learning als Teilgebiet der Künstlichen Intelligenz.
 
Machine learning bedeutet, ein System erhält Trainingsdaten und sucht in diesen selbstständig nach Mustern und Gesetzmäßigkeiten. Mit dem so künstlich konstruierten Algorithmus kann das trainierte System nun bisher ungesehene Daten beurteilen. Ein System kann beispielsweise auf das Erkennen von Pneumonien in Röntgenthorax-Aufnahmen trainiert werden. Dafür stellt man dem System Röntgenaufnahmen zum Training zur Verfügung. Diese müssen entsprechend gelabelt sein, d.h. zu jeder Aufnahme muss die Information vorliegen, ob es sich um eine Pneumonie handelt oder nicht. In einem algorithmischen Verfahren wird das System nun lernen, Röntgenbilder mit Pneumonien von solchen ohne zu unterscheiden. Die Quantität der Trainingsdaten ist dabei entscheidend für die Qualität des finalen Modells. Da es sich in der Radiologie praktisch um Rohdaten in Form vieler Pixelwerte handelt, die zum Training zur Verfügung gestellt werden, muss das System im Trainingsprozess selbst herausfinden, welche Informationen aus den Bildern für die schlussendliche Entscheidung wichtig sind. Im oben angeführten Beispiel lernt nun das System, dass Helligkeitsunterschiede in den Lungenfeldern die Diskriminierung beeinflussen, Variationen des knöchernen Thorax oder einliegendes Fremdmaterial aber nicht. Diese entscheidenden Informationen werden im Kontext des machine learning als sog. features bezeichnet. Das selbstständige Auffinden von features aus Rohdaten entspricht dem sog. feature learning als Teilgebiet des machine learning. Es existieren verschiedenste Ansätze und Modelle für die komplexen Trainingsprozesse. Unter besonderer Aufmerksamkeit steht hier das deep learning. Dabei werden im Training neuronale Netzwerke genutzt, die im Aufbau den Verschaltungen von Nervenzellen nachempfunden sind. Diese künstlichen Neurone werden mit bestimmten Attributen in Reihen (layers) verknüpft. Beginnt der Trainingsprozess, werden nun die Informationen (z.B. Pixelhelligkeiten) an die Eingangsneurone übergeben (inputs). Das Netzwerk versucht nun durch mathematische Prozesse, den gewünschten output, also Pneumonie oder nicht, zu erreichen. Stimmt das ermittelte Ergebnis nicht mit dem vorgegebenen label überein, so wird das Modell angepasst. Dieser Prozess wird nun nach entsprechenden Vorgaben sehr oft wiederholt, bis das System gute Ergebnisse erzielt. Von deep learning spricht man, wenn sich zwischen der Input- und der Output-Schicht zahlreiche „versteckte“ Schichten (hidden layers) befinden. Der komplexe Aufbau der Netzwerke im Rahmen des deep learning führt dazu, dass die niedrigeren Netzwerkschichten einfachere Informationen wie z.B. Kanten repräsentieren, höhere Schichten aber komplexe Strukturen wie Organe oder Läsionen (1). Der aktuelle Erfolg dieser Methode geht auch darauf zurück, dass die entscheidenden Limitationen, d.h. die Verfügbarkeit von Trainingsdaten und Rechenleistung, mittlerweile besser bewältigt werden können.
 
Die häufigsten Anwendungsprinzipien machine-learning-basierter Technologien betreffen die Detektion, die Klassifikation und die Segmentierung. Weiterhin konnten bereits Erfolge im Bereich der Bildrekonstruktion erzielt werden, insbesondere bei der Reduktion von Bildrauschen und Artefakt-Unterdrückung (1).
 
 
Vorherige Seite

Anzeige:
Fachinformation

Sie können folgenden Inhalt einem Kollegen empfehlen:

"Künstliche Intelligenz in der Radiologie – Ein Ausblick in die Zukunft"

Bitte tragen Sie auch die Absenderdaten vollständig ein, damit Sie der Empfänger erkennen kann.

Die mit (*) gekennzeichneten Angaben müssen eingetragen werden!

Die Verwendung Ihrer Daten für den Newsletter können Sie jederzeit mit Wirkung für die Zukunft gegenüber der rsmedia GmbH widersprechen ohne dass Kosten entstehen. Nutzen Sie hierfür etwaige Abmeldelinks im Newsletter oder schreiben Sie eine E-Mail an: info[at]rsmedia-verlag.de.


ESMO Virtual Congress 2020
  • Adjuvante Therapie mit Pembrolizumab verlängert auch das fernmetastasenfreie Überleben bei komplett resezierten Hochrisiko-Melanomen im Stadium III
  • HIF-2α-Inhibitor MK-6482 beim Von-Hippel-Lindau-Syndrom: Vielversprechende Wirksamkeit auch bei Nicht-RCC-Läsionen
  • Neuer Checkpoint-Inhibitor: Vielversprechende erste Studiendaten für Anti-TIGIT-Antikörper Vibostolimab in Kombination mit Pembrolizumab