Diese Webseite nutzt Cookies

Diese Webseite nutzt Cookies zur Verbesserung des Erlebnisses unserer Besucher. Indem Sie weiterhin auf dieser Webseite navigieren, erklären Sie sich mit unserer Verwendung von Cookies einverstanden.

Einige dieser Cookies sind technisch zwingend notwendig, um gewissen Funktionen der Webseite zu gewährleisten.

Darüber hinaus verwenden wir einige Cookies, die dazu dienen, Informationen über das Benutzerverhalten auf dieser Webseite zu gewinnen und unsere Webseite auf Basis dieser Informationen stetig zu verbessern.

Zum Hauptinhalt springen

Algorithmen stellen das digitale Tumorboard zusammen


In der Bildgebung werden algorithmisch gestützte Diagnosen immer wichtiger. Künstliche Intelligenz (KI/AI) greift bereits bei der Anfertigung radiologischer Bilder ein. „AI solutions for intelligent examination“ lautet bei Siemens Healthineers daher ein zentraler Ansatz, den Jörg Aumüller, AI-Experte bei Siemens Healthineers, erläutert.

„Wir wollen bereits bei der Bildakquisition präziser und personalisierter werden“, sagt der AI-Spezialist und führt Anwendungsbeispiele auf: die standardisierte und reproduzierbare Bildakquisition soll die Qualität der Aufnahmen bereits im Entstehungsprozess steigern und den Workflow bei Follow-up-Untersuchungen erleichtern. Das führt zu besserer Bildqualität und Befunden, unabhängig von Scannertyp oder Operatoren. „Die Bildakquisition bildet die Grundlage für alle folgenden Schritte“, erläutert Aumüller, „oder anders gesagt, führen qualitativ hochwertigere Aufnahmen zu präziseren Diagnosen und damit zu präziseren Entscheidungen. Zudem beschleunigen KI-Verfahren diese Prozesse erheblich.“

CT-Aufnahmen der Lunge

Case 92: Courtesy: Siemens Healthineers / Erasmus University Medical Center Rotterdam, Netherland


Zunehmend wichtig wird der Einsatz von künstlicher Intelligenz vor allem dort, wo ein hohes Arbeitsvolumen auf niedrige Erstattung trifft, wie bei der Bildgebung des Brustkorbs. Dort wird die AI künftig schnell Anomalien finden und für den Diagnostiker hervorheben. Aumüller nennt ein weiteres praktisches Beispiel: „Wenn der Radiologe eine Indikation in der Lunge vermutet, sind in der Bildgebung auch die umliegenden Strukturen zu erkennen, zum Beispiel das Herz und die Atemwege. Die AI vergrößert dabei die Analysetiefe, da diese Strukturen zusätzlich erfasst und als sekundäre Befundungen einbezogen werden.“

Das soll vor allem den Zeitdruck, unter dem Radiologen verstärkt stehen, mindern. Denn in vielen Ländern wächst der Bedarf an radiologischer Bildgebung deutlich stärker als durch die Zahl der Radiologen abgedeckt werden kann, so Aumüller. „Mit intelligenten Systemen versuchen wir, dieses Problem zu mildern.“ Dafür werden sogenannte Rule-In- beziehungsweise Rule-Out-Kriterien definiert, die der Algorithmus dem Radiologen als erweiterte Information zur Verfügung stellt. „Das spart Zeit, denn auf die Bereiche, in denen die AI keine Anomalien detektiert, braucht der Radiologe auch keinen zweiten Blick zu werfen.“

Dieser „Decision Support“ konzentriert sich bislang auf die Thoraxbildgebung per CT und Röntgen, denkbar sind allerdings künftig auch kardiologische Aufnahmen, die CT-Bildinterpretation in der Notaufnahme sowie der Einsatz bei MRT-Bildern, etwa bei Knie oder Kopf. Der Decision Support konzentrierte sich auf zwei Bereiche: „Zum einen erfolgt der Hinweis auf die betroffene Region, zum anderen werden deskriptive Hinweise gegeben“, erklärt Aumüller. Je nach verwendeter Technologie kann der Befund anhand der Bildinformation dann nicht nur lokalisiert, sondern auch charakterisiert und quantifiziert werden – im besten Fall als Ergebnis, das mit dem Labor vergleichbar ist.

AI oder Decision Support ist nicht ausschließlich dafür gedacht, Anomalien mit höherer Präzision zu finden als der Radiologe, betont Aumüller. Im Vordergrund steht die höhere Geschwindigkeit, mit der der Computer Informationen auswerten kann. „Die AI soll unterstützen, um in einem engen Zeitfenster Entscheidungshilfen zur Verfügung zu stellen. Das spart vor allem bei einfachen Fällen viel Zeit und gibt dem Radiologen die Möglichkeit, sich stärker mit komplexeren Fällen zu beschäftigen.“ Die Reproduzierbarkeit der Ergebnisse geben der Methode auch einen edukativen Charakter, von dem gerade Radiologen mit weniger Erfahrung profitieren können. Denkbar ist künftig eine Art Case Routing, das automatisiert schwierigere Fälle gezielt an versierte Radiologen leitet.

Die Möglichkeiten der künstlichen Intelligenz gehen allerdings deutlich über die Bildanalyse hinaus: Durch den automatisierten Abgleich mit weiteren Patientendaten wie Laborwerten, molekularen, genetischen oder epigenetischen Daten, kann in multidisziplinärer Zusammenarbeit eine umfassendere Diagnose erstellt werden – die AI als digitales Tumorboard wäre geschaffen. Aumüller: „Die richtigen Daten den richtigen Experten zum richtigen Zeitpunkt vorzulegen – darin liegt der besondere Wert der Informationsintegration.“ Das Ziel ist, die so gesammelten Daten in einer Art Frontend zu visualisieren, um die Therapie effektiv zu koordinieren.

Profil:

Jörg Aumüller ist als Global Product Manager (Marketing and Sales) Artificial Intelligence and Integrated Decision Support Systems Solutions bei Siemens Healthineers tätig. Dort lagen seine Schwerpunkte in den Bereichen Healthcare IT und Datenanalyse. Er befasst sich insbesondere mit der Implementierung künstlicher Intelligenz in die diagnostische Bildgebung und weiterer medizinischer Prozesse. Ein Schwerpunkt seiner Arbeit liegt in der Steigerung der Effektivität und Kostensenkung in der Pflege durch Automation und Standardisierung der Verfahren.

Lassen Sie sich inspirieren