Digitalisierung und KI in der Radiologie – Status quo und Perspektiven

Die wachsende Rolle künstlicher Intelligenz in der Radiologie und der mit ihr verbundenen diagnostischen Disziplinen reicht von der Unterstützung von Behandlungsentscheidungen bis zur Entwicklung neuer Therapien.

Mit der zunehmenden Anzahl von Therapieoptionen ist das Ziel der Präzisionsmedizin die optimale Behandlung jedes/jeder Patient:in unter Zuhilfenahme der verfügbaren Daten und vergleichbarer Evidenz. Maschinelles Lernen (ML), die aktuell vorherrschende Strategie im Bereich der künstlichen Intelligenz (KI), entwickelt Modelle, die anhand von Beispielen trainiert werden und danach aus neuen Beobachtungen Vorhersagen oder Klassifikationen erstellen können. ML kann dadurch einen Beitrag zu Diagnose und zu individuellen Behandlungsentscheidungen leisten. Sie ist von einer ausreichenden Anzahl und Diversität von Trainingsdaten abhängig und setzt Algorithmen wie Convolutional Neural Networks (CNN) für die Verarbeitung von Bildern oder sogenannte Transformers1 für die Analyse und Generierung von Sprache oder anderer komplexer Daten ein. Die Fortschritte, wie zuletzt im Bereich der generativen KI – Large Language Models (LLM) zeigen beeindruckende Leistungen –, schlagen sich auch in der Medizin nieder.2 Was sind die vielversprechendsten Anwendungen, und wo hat diese Technologie aktuell noch wichtige Limitationen?

Die Technologie: Wälder, neurale Netze und Transformer

Die Verwendung von Textur- und Formmerkmalen in Verbindung mit Klassifikationsmodellen, die anhand vieler Beispiele trainiert werden, ist jedenfalls in der Routine angekommen. Welche Technologien liegen den verwendeten Softwarelösungen zugrunde? Eine Schlüsselinnovation im Bereich der Radiomics-Analyse war die Entwicklung von Klassifikationsmodellen, die Merkmale nicht nur verarbeiten, sondern auch selbständig informative Merkmale von wertlosen trennen, wie zum Beispiel der sogenannte Random Forest.3 Der nächste Entwicklungsschritt fand in Form künstlicher neuraler Netze wie der CNN statt, die Merkmale nicht nur auswählen, sondern anhand der Daten selbst von Grund auf erlernen. Sie arbeiten damit vergleichbar zum biologischen Sehsinn, der visuelle Eindrücke in einer Kaskade von Schichten verarbeitet, die jeweils einfache Verarbeitungsschritte durchführen, jede Schicht entdeckt nur simple Eigenschaften wie einen Hell-dunkel-Unterschied in einer bestimmten Orientierung. Durch das Aneinanderreihen dieser Verarbeitungsautomaten in einer Folge von Schichten fügt sie lokale visuelle Komponenten zu immer mächtigeren Beschreibungen von Objekten, anatomischen Strukturen oder visuellen Signaturen von Krankheiten zusammen, die dann klassifiziert werden können. Den rezenten Sprung in der Leistungsfähigkeit generativer KI-Modelle verdanken wir der Entwicklung einer Netzwerkarchitektur mit dem Namen Transformer, die ursprünglich aus dem Gebiet der Sprachverarbeitung stammt.1 Sie steuert die Aufmerksamkeit, die Datenkomponenten gewidmet wird, so, dass auch sehr weit verzweigte Zusammenhänge in Daten für die Vorhersage oder die kontinuierliche Generation von Text genutzt werden können.

Was wird durch diese Technologien ermöglicht?

In der Radiologie kommt Software, die KI für Bildanalyse einsetzt, in der Routine zum Einsatz.4

  • Sie unterstützt die Klassifikation von Gewebe, den quantitativen Vergleich von Folgenuntersuchungen, die Detektion von Lungenrundherden oder auch Aufgaben wie die Einschätzung des Krebsrisikos bei Knötchen in der Lungenbildgebung. KI kann dabei in Verbindung mit etablierten Guidelines zum Beispiel die Weiterverfolgungsstrategie im Spektrum zwischen sofortiger Biopsie oder langfristiger Nachfolgeuntersuchung verbessern.5
  • Neben der Diagnose können KI-Algorithmen phänotypische Eigenschaften wie das Aussehen von Tumoren tiefgehend charakterisieren und mit anderen Modalitäten in Verbindung setzen. Die Integration von Magnetresonanzbildern und epigenomischen Merkmalen von Tumoren in einer multizentrischen Patientenkohorte wurde kürzlich verwendet, um einen leistungsfähigen Risikoscore bei Lymphomen zu entwickeln.6 Gleichzeitig erlaubte die ­Verbindung der Bild- und epigenomischen Daten, die molekularen Merkmale der Krankheitsverläufe und Kandidaten-Gene für gezielte Therapie zu identifizieren. In der ­Studie wurden die identifizierten Gene letztendlich durch ein In-vitro-Experiment verifiziert. Untersuchungen dieser Art, die Beobachtungen in großen Patientenpopulationen mit molekularen Eigenschaften verbinden, um Therapieentwicklung zu unterstützen, werden an Relevanz zunehmen. So zeigen Arbeiten, dass Deep-Learning-Modelle auch zum Design neuer Moleküle und Wirkstoffe eingesetzt werden können.7
  • Die automatische Bildanalyse durch KI hat auch Einfluss in der Chirurgie. Hier werden unter anderem mithilfe histologischer Bilddaten von Proben, die während einer Operation entnommen werden, die molekularen Eigenschaften von Gliomen bestimmt.8 Auch hier liegt den Algorithmen die Integration großer Bildmengen und genomischer Daten zugrunde.
  • Neben der Diagnose bekannter Bildmuster kann ML auch verwendet werden, um das Vokabular verlässlich identifizierbarer Krankheitsmuster für die Beurteilung von Krankheitsfortschritt zu erweitern. Ein Beispiel aus dem Gebiet der diffusen Lungenfibrose zeigt, wie neue Gewebetypen anhand ihrer Bildeigenschaften erkannt und etabliert sowie die Dynamik ihrer Veränderung für Vorhersage benutzt werden können.9 Die Verfolgung der Gewebeveränderungen in einer großen Patientenkohorte erlaubt dabei die Untersuchung typischer Veränderungen während des Krankheitsverlaufes. Transformer erlauben die effektive Kombination von radiologischen, pathologischen und genomischen Daten von Tumoren, um die Wirkung von Immuntherapie abzuschätzen.10

Welche Rolle spielen generative KI und Technologien wie LLM?

Derzeit wird diese unter anderem verwendet, um unstrukturierte klinische Daten zu verarbeiten.11 Ihre Limitation ist aktuell aber noch die schwierig zu implementierende Qualitätskontrolle und Transparenz der Modelle. Andere Herausforderungen sind die kontinuierliche Adaption der ML-Modelle an die sich ständig ändernde Technologie der Bildgebung, die es notwendig macht, auch Modelle kontinuierlich mitlernen zu lassen12 und gleichzeitig einen Effekt des sogenannten katastrophalen Vergessens zu vermeiden, der Neues auf Kosten des Alten erlernt.
Aktuelle Forschungsarbeiten konzentrieren sich auf die Entwicklung von Vorhersagemodellen, die sowohl Krankheitsverlauf als auch das individuelle Ansprechen auf eine bestimmte Therapie vorhersagen können. Gleichzeitig spielt die Untersuchung der Zusammenhänge zwischen molekularen Prozessen und dem makroskopischen Phänotyp eine zunehmende Rolle, um Vorhersagen auch erklärbar zu machen. Das ist insbesondere deshalb wichtig, weil die ununterbrochene Weiterentwicklung von Therapien in der modernen Medizin auch die Entwicklung von Vorhersagemodellen notwendig macht, die anhand sehr weniger Beispiele lernen können.

Diese Limitation wird deutlich, wenn man die Anzahl von Wörtern, die ein jugendlicher Mensch im Laufe seines gesamten Lebens gehört hat – ca. 100 Millionen – mit den Trainingsdaten der rezent entwickelten Sprach­modelle vergleicht. Sie werden mit vielen Milliarden Wörtern trainiert.13

Fazit

Zusammenfassend lässt sich festhalten, dass es noch reichlich Notwendigkeit für Forschung und technologische Verbesserung im Bereich der KI gibt, die in immer engerer Zusammenarbeit zwischen Computerwissenschafter:innen und Mediziner:innen geschieht. In der Medizin ist KI jedenfalls längst nicht mehr nur ein Werkzeug zur Automation, sondern ein Katalysator für die Entwicklung neuer Diagnosemethoden und individualisierter Therapie.14

Referenzen: (1) Vaswani A et al., arXiv:1706.03762 [cs.CL] 2017 (2) Rajpurkar P, Lungren MP, NEJM 2023; 388:1981–90 (3) Breiman L, Mach Learn 2001; 45:5–32 (4) van Leeuwen KG et al., Eur Radiol 2021; 31:3797–804 (5) Adams SJ et al., J Am Coll Radiol 2022; DOI:10.1016/j.jacr.2022.08.006 (6) Nenning K-H et al., Neurooncol Adv 2023; 5(1):vdad136 (7) Gainza P et al., Nature 2023; 617:176–84 (8) Hollon T et al., Nat Med 2023; 29:828–32 (9) Pan J et al., Eur Radiol 2023; 33:925–35 (10) Vanguri RS et al., Nat Cancer 2022; 3:1151–64 (11) Thirunavukarasu AJ et al., Nat Med 2023; 29:1930–40 (12) Perkonigg M et al., Nat Commun 2021; 12:5678 (13) Warstadt A, Bowman SR, arXiv:2208.07998 [cs.CL] 2022 (14) Langs G, Radiology 2023; 307(5):e231116