Künstliche Intelligenz in der Medizin

KI in der Diagnostik

Überall dort, wo es um die Analyse von Bildern geht, seien es Röntgenbilder, Fotos oder Videosequenzen, ist die Entwicklung selbstlernender Algorithmen weit fortgeschritten. Deep-Learning-Systeme werden unter anderem in der Radiologie, der Pathologie, der Augenheilkunde und der Dermatologie erfolgreich eingesetzt. Mithilfe tiefer neuronaler Netzwerke werden beispielsweise Lungenerkrankungen im CT, Brustkrebszellen in histologischen Schnittbildern, diabetische Netzhautveränderungen oder maligne Melanome zuverlässig erkannt.

Zuverlässig und schneller? Nach den Ergebnissen einer aktuellen Metaanalyse¹ diagnostizieren einzelne KI-Systeme Krankheiten auf der Basis von Bilddaten so zuverlässig wie Ärzte. Allerdings ist die Datenlage sehr dünn und die Aussagekraft der meisten Studien gering.

Ob die diagnostischen Fähigkeiten der Maschine denen des Arztes in der klinischen Praxis gleichwertig sind, scheint damit nicht zweifelsfrei bewiesen. Großer Vorteil der KI ist jedoch die Geschwindigkeit, mit der sie Bilddaten ermüdungsfrei analysiert. Dies allein ist bei der steigenden Zahl von Bildern im Rahmen moderner Diagnostik interessant.

Zusatzinformationen durch KI? Letztlich verbindet sich mit Einsatz intelligenter selbstlernender Systeme die Hoffnung, dass die KI Zusammenhänge erkennt, die für das menschliche Auge nicht sichtbar sind. So erhofft man sich zum Beispiel allein auf Grund der Bilddaten Informationen über Genveränderungen, den Krankheitsverlauf oder das Ansprechen auf bestimmte Medikamente. Auf diese Weise könnte KI die Diagnostik nicht nur automatisieren und beschleunigen, sondern würde auch zu einem echten Informationsgewinn mit möglichen Implikationen für die Therapie führen.

Nutzen für den Patienten? Einzelne KI-Modelle können beispielsweise genomische Veränderungen bereits an Routinebildern erkennen. So ließ sich eine Mikrosatelliteninstabilität bei gastrointestinalen Tumoren allein auf Grund des histopathologischen Bildes vorhersagen². Auch bestimmte Mutationen bei zerebralen Gliomen wurden anhand von MRT-Bildern durch ein entsprechend trainiertes neuronales Netz erkannt³ – entscheidende Informationen für die Therapie, die ansonsten zusätzliche Diagnostik erfordern.
Klinische Studien müssen nun untersuchen, ob solche Informationen dem Patienten tatsächlich nutzen und die Patientenversorgung verbessern.

Integration von Big Data? Perspektivisch könnten mit Methoden des maschinellen Lernens viele gesundheitsrelevante Daten verknüpft und ausgewertet werden: Bilddaten könnten mit klinischen, laborchemischen, genetischen und statistischen Daten korreliert werden, um den individuellen Krankheitsverlauf vorherzusagen und die Behandlung besser auf den einzelnen Patienten abzustimmen. Daten von Wearables und aus Social Media könnten ebenfalls berücksichtigt werden. Die Medizin würde sich so mithilfe von Big Data von einer standardisierten zu einer stärker personalisierten Medizin wandeln. Bis dahin ist es jedoch noch ein weiter Weg.

Weitere Einsatzbereiche

Künstliche Intelligenz kann nicht nur in der Diagnostik, sondern auch in vielen anderen Bereichen der Gesundheitsversorgung eingesetzt werden. Um nur einige Anwendungsbeispiele zu nennen:

Patientenversorgung: KI kann beispielsweise Chirurgen durch Echtzeitanalyse des Operationssitus auf kritische anatomische Strukturen hinweisen, Patienten mit beginnender Sepsis überwachen oder vorhersagen, welche Intensivpatienten sicher auf Normalstation verlegt werden können. Mit Hilfe von KI lassen sich Patientendaten verwalten, Arbeitsabläufe optimieren und damit Effizienz und Patientensicherheit steigern. Zukünftig könnten Chatbots Routinegespräche übernehmen und Ärzte entlasten.

Forschung: In der Forschung kann KI helfen, Biomarker für bestimmte Krankheiten aufzudecken, geeignete Kandidaten für neue Medikamente zu finden und klinische Studien zu beschleunigen.

Verwaltung: Mithilfe von KI lassen sich auch in der Verwaltung Abläufe analysieren und optimieren und beispielsweise die Termin- und Personalplanung entsprechend anpassen.

Probleme, Grenzen, Herausforderungen

Es wird erwartet, dass künstliche Intelligenz in den nächsten Jahren zunehmend in allen Bereichen des Gesundheitswesens eingesetzt wird. Vor einem breiten Einsatz sind jedoch noch verschiedene Fragen rund um das Thema KI zu klären:

Generalisierbarkeit des Ausgangsdatensatzes: Da neuronale Netze aus den Eingabedaten lernen, sind umfangreiche, qualitativ hochwertige und ausgewogene Datensätze für die Entwicklung aussagekräftiger KI-Modelle entscheidend. Nur wenn die Daten repräsentativ sind, lässt sich das Gelernte verallgemeinern und auf andere, neue Daten übertragen. Umfangreiche Datensätze sind jedoch auch wegen datenschutzrechtlicher Vorgaben Mangelware.

Evaluation unter klinischen Bedingungen: Die KI hat in vielen Bereichen den Praxistest noch nicht bestanden. Häufig sind die Datensätze nicht extern validiert und es fehlt der Beweis, dass die KI auch unter klinischen Bedingungen funktioniert. Es ist auch nicht geklärt, ob eine Therapieentscheidung, die auf einer nachgewiesenen Korrelation zwischen verschiedenen medizinischen Daten beruht, dem einzelnen Patienten wirklich nutzt und keine unvertretbaren Risiken in sich birgt. Prospektive Studien unter klinischen Bedingungen zu klinisch relevanten Fragestellungen stehen in den meisten Fällen noch aus.

Nachvollziehbarkeit, Erklärbarkeit, Transparenz: Viele KI-Systeme sind sogenannte Black-Box-Systeme, das heißt, ihre Entscheidungsgrundlage ist nicht nachvollziehbar. Das ist nicht so wichtig bei Diagnosen und Entscheidungen, die der Arzt selbst überprüfen kann. In anderen Bereichen ist die Black Box jedoch ein Problem für die Interpretierbarkeit und Vertrauenswürdigkeit des Systems. Außerdem darf nach europäischem Datenrecht niemand einer Entscheidung unterworfen werden, die ausschließlich auf automatisierter Datenverarbeitung beruht. KI-basierte Entscheidungen müssen dem Betroffenen transparent und leicht verständlich erklärt werden. Daher werden derzeit Systeme entwickelt, deren Entscheidungen besser nachvollziehbar sind ("transparente/erklärbare KI").

Datensicherheit und Datenherrschaft: Bei der Entwicklung und bei der Anwendung von KI-Systemen fallen sensible personenbezogene Daten an, die besonders zu schützen sind. Ungeklärt ist, wie und ob Gesundheitsdaten genutzt werden dürfen, um KI-Systeme zu trainieren, beziehungsweise wem die Rechte an den medizinischen Daten und ihren Verarbeitungsergebnissen zustehen.

Reichweite von Fehlern, Haftung: Die potenzielle Reichweite systematischer Fehler durch einen fehlerhaften Algorithmus ist ungleich größer als die Reichweite individueller Fehler eines einzelnen Arztes. Bisher ist ungeklärt, wer letzten Endes für eine fehlerhafte KI haftet: der Entwickler oder der anwendende Arzt.

Kosteneffizienz: Der verstärkte Einsatz von KI im Gesundheitswesen wird unter anderem mit einer höheren Kosteneffizienz gerechtfertigt. Da die Kosten für Infrastruktur, Betrieb und Wartung bisher nur geschätzt werden können, steht auch hier der Beweis noch aus, dass KI-Systeme tatsächlich kosteneffizient sind.