Künstliche Intelligenz für sichere Diagnosen in der Radiologie

Radiologen müssen eine Vielzahl an Bildmaterial auswerten (Foto: Viacheslav Iakobchuk - Fotolia.com)

Künstliche Intelligenz und das maschinelle Lernen helfen Ärzten in der Radiologie dabei, schnelle und sichere Diagnosen in der Radiologie zu stellen. Ermöglicht wird das unter anderem durch eine Software von contextflow, einem Spin-Off der Medizinischen Universität Wien unterstützt durch die Inkubatoren i2c Technische Universität Wien und INiTS.

Immer dann, wenn während der Befundung eines Falles zusätzliche Informationen für eine sichere Diagnose benötigt werden, findet die Software basierend auf einer markierten Bildregion visuell ähnliche Vergleichsfälle und dazugehörig relevante Fachartikel. Die Lösung wird kontinuierlich im engen Austausch mit Radiologen weiterentwickelt. Warum Algorithmen des maschinellen Lernens so wichtig sind, erläutert Dr. Helmut Prosch, Facharzt für Radiologie an der Universitätsklinik für Radiologie und Nuklearmedizin an der MedUni Wien/AKH Wien: „Die neuen Generationen von CT und MRT liefern so viele Informationen, dass ein Mensch sie nicht alle erfassen kann. Trotzdem müssen wir Radiologen daraus Befunde und Diagnosen ableiten. Das maschinelle Lernen ermöglicht uns eine einfachere Auswertung der Bilddaten und bedeutet im Endeffekt eine höhere Sicherheit für Arzt und Patient.“ Besonders hilfreich ist die Softwareunterstützung bei seltenen Erkrankungen, die ein Radiologe nicht so häufig sieht.

Zurzeit liegt der Fokus von contextflow auf der Unterstützung der Diagnose von diffusen parenchymaösen Lungenerkrankungen. „Davon gibt es mehr als 200 und die Unterschiede sind sehr schwer zu beurteilen. Die Software hilft uns, die krankhaften Veränderungen in einen klinischen Kontext zu setzen und damit die Befundung abzusichern“, sagt Dr. Prosch.

Schnelle Unterstützung für die Radiologie

Um die Software zu nutzen, markiert der Radiologe eine Bildregion mit markanten Inhalten, veranlasst eine Analyse des Algorithmus und erhält innerhalb von Sekunden relevante Referenzfälle, die dieselben Mustercharakteristika aufweisen, sowie Informationen zu naheliegenden Differentialdiagnosen. Gleichzeitig werden Links zu Textstellen in der Fachliteratur aufgeführt. „Keine zeitaufwändige und frustrierende Suche mehr in unterschiedlichen Webseiten und Büchern, um die benötigten Informationen zu finden. Sie sind jetzt nur noch einen Mausklick entfernt.“, verspricht Markus Holzer, Mitgründer und Geschäftsführer von contextflow.

Nach Ansicht von Dr. Philipp Peloschek, Leiter des Radiology Center Wien, kommt man zwar auch ohne Software mit ein wenig Übung und der bisher üblichen, gezielten Recherche zu Ergebnissen. „Der Vorteil des maschinellen Lernens liegt allerdings in der Automatisierung und Einbindung in unsere Arbeitsabläufe. Und die Ergebnisse sind valide, unabhängig von der individuellen Erfahrung der Radiologen.“ Er ist der Überzeugung, dass Befunde mit maschinellem Lernen künftig schneller, für Patienten sicherer und für die Zuweiser exakter erbracht werden können. Sowohl am Universitätsklinik für Radiologie und Nuklearmedizin an der MedUni Wien/AKH Wien, als auch Radiology Center Wien soll contextflow noch in diesem Jahr in den Echtbetrieb übernommen werden. „Die ersten Ergebnisse bei Stichproben sind sehr vielversprechend“, so der Leiter des Radiology Center Wien.