Künstliche Intelligenz in der Medizin
Das Diagnose-Wunder?
6 minuten
14 November 2019
)
TITELBILD: FRANCK V./UNSPLASH
Software könnte in Zukunft etwa dabei helfen, Krankheiten effizienter zu diagnostizieren.
6 minuten
14 November 2019
Es ist wie Stochern im Nebel: Wenn Radiologen bei Mammographien nach Krebszellen suchen, müssen sie äußerst genau hinschauen. 97 Prozent der Röntgenbilder sind unauffällig, drei Prozent unklar, bei 0,6 Prozent davon heißt die Diagnose: Brustkrebs. Etwa jede fünfte Erkrankung wird übersehen. Das zeigt die Auswertung des deutschen Mammographie-Screening-Programms aus dem Jahr 2017. Kein Wunder, nur etwa eine Minute haben Ärzte meist zur Begutachtung einer Aufnahme. Die Arbeitsbelastung ist gewaltig, die langweilige, repetitive Arbeit ermüdet das menschliche Gehirn. „Dagegen lässt sich doch etwas tun“, sagte sich der Berliner Gründer Jonas Muff. Seine Idee: Wir unterstützen die Radiologen mit Hilfe von Künstlicher Intelligenz.
18 Monate lang tüftelten Muff und sein Team vom Berliner Start-up Merantix Healthcare an einer klugen Software. Erst sollte sie verdächtige Fälle aufspüren lernen. „Aber das war viel zu kompliziert“, sagt Muff. Einfacher: Wir bringen ihr bei, die unauffälligen Bilder auszusortieren, damit sich Radiologen auf die Begutachtung der komplizierten, unklaren Aufnahmen konzentrieren können, statt sich mit langweiligen Standards beschäftigen zu müssen. Das Start-up-Team programmierte die KI-Software Vara und machte sie mit Deep Learning, dem Maschinenlernen auf Basis künstlicher neuronaler Netze, lernfähig. Der nächste Schritt war die Suche von geeigneten Kooperationspartnern: Kliniken, Medizinische Versorgungszentren und tele-medizinische Institute. Von diesen Gesundheitseinrichtungen und Praxen erhielt die Software vier Millionen Aufnahmen, mit denen sie trainieren konnte. Mitte September 2019 erhielt Vara die Zulassung – als erste deutsche KI-Software für die Krebsvorsorge.
Künstliche Intelligenz gilt als große Hoffnung in der Medizin. Sie könnte in Zukunft dabei helfen, Krankheiten effizienter zu diagnostizieren, Patienten individueller zu behandeln, neue Medikamente schneller zu entwickeln. „Es gibt wohl keinen Bereich in der Medizin, der von der KI nicht wesentlich beeinflusst werden wird“, schätzt Daniel Sonntag vom Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) in Saarbrücken. „Gerade in den vergangenen drei, vier Jahren hat die Technik enorme Fortschritte gemacht.“
Ein millionenschweres Geschäft
Denn Forschungseinrichtungen, Unternehmen und Start-ups arbeiten weltweit an KI-Anwendungen für die Medizin. Die Marktforscher von Big Market Research rechnen mit einem Wachstum von fast 50 Prozent. Bereits 2017 machten Unternehmen mit KI-Technik in der Medizin 719 Millionen Dollar Umsatz, 2025 könnten es gut 18 Milliarden sein. Das Beratungsunternehmen Frost & Sullivan prognostiziert sogar ein jährliches Plus von 40 Prozent für KI-Technik im Gesundheitsbereich. Neben Start-ups wie Merantix Healthcare suchen Konzerne wie Philips oder Siemens nach Lösungen: Siemens Healthineers etwa hat mehr als vierzig KI-basierte Produkte für den Einsatz in der Medizin entwickelt. Mal helfen sie bei der Analyse von Laborwerten, mal bei der Auswertung von Bilddaten.
Und tatsächlich häufen sich unlängst die Erfolgsmeldungen, vor allem in der Radiologie, Pathologie und Dermatologie. So veröffentlichten Forscher der Universität Heidelberg im April 2019 eine Studie, in der eine KI-Software bei der Diagnose von Melanomen besser abschnitt als Fachärzte. Die Mediziner hatten hundert Bilder danach beurteilen sollen, ob es sich bei der Aufnahme um ein harmloses Muttermal oder den bösartigen schwarzen Hautkrebs handelte. Nur sieben der 157 Universitäts-Dermatologen urteilten besser als die KI, 14 erzielten gleich gute Ergebnisse, 136 schlechtere. Ähnlich beeindruckend scheint das Ergebnis einer Arbeitsgruppe der US-amerikanischen Universität Stanford. Diese trainierte mithilfe von 100.000 Röntgen-Bildern des Brustkorbs einen Algorithmus, der 14 Erkrankungen von Brustkorb und Lunge erkennen kann, Lungentzündungen sogar besser als Radiologen. Werden also schon bald Patienten lieber selbstlernende Systeme um Rat fragen als ihren Hausarzt?
Daniel Sonntag lacht. „Sicher nicht. Wir stecken erst in den Anfängen“, sagt der Experte vom Forschungszentrum DFKI. „Von Trefferquoten darf man sich nicht täuschen lassen.“ Denn eine Quote sage wenig aus. Erstens ließen sich die Ergebnisse aus Forschungsmodellen auf Basis einzelner klinischer Studien nicht auf die breite Versorgung der Bevölkerung übertragen. Zu unterschiedlich seien die Patientenpopulationen in verschiedenen Ländern und Milieus.
Ein Arzt lernt mit drei bis vier Bildern – eine Maschine mit 5000
Zweitens erkenne auch eine Deep Learning-KI nur das, was ihr beigebracht werde. So findet die Standford-KI für Dermatologie eben nur 14 Erkrankungen, nicht aber 30 andere, ebenso verbreitete, schlicht weil dazu kein Bildmaterial gefüttert wurde. „Ein Hautarzt erkennt leicht eine Vielzahl unterschiedlicher Erkrankungen, ein KI-System, das auf maschinellem Lernen beruht, nur wenige, klar definierte Typen“, sagt Sonntag. Das hat einen Grund: Diagnose ist ein hochkomplexer Prozess, hinter dem jahrelange Ausbildung, ein Wissen aus unterschiedlichen Fachbereichen und mehrjährige Erfahrungen stehen. „Wenn ein Arzt ein Bild beurteilt, bezieht er auch andere Informationen über den Patienten mit ein, von Begleiterkrankungen bis zum Lebensstil.“ Und er verfügt über Transferfähigkeit. Wenn Ärzte Bilder eines seltenen Typus drei-, viermal gesehen haben, können sie ihn in der Regel wiedererkennen. „Eine Maschine braucht dafür 5000 Bilder. Eine unbekannte Aufnahme kann sie nicht einordnen.“ Fehlermeldung.
Die Schlussfolgerung: Es braucht noch viel mehr Datenmengen als bisher, um KI-Modelle für medizinische Anwendungen zu trainieren, damit sie auch im klinischen Alltag eingesetzt werden können. „Wir müssen systematisch in großem Umfang aussagekräftige, standardisierte Datensätze mit festgelegten Terminologien akquirieren und durchdacht aufbereiten, damit wir in den kommenden fünf Jahren die KI tatsächlich in der Patientenversorgung einsetzen können“. Diese „qualifizierte Datenakquise“ sei der eigentliche Treiber für Fortschritt in der medizinischen KI, wichtiger als neue Methoden im Deep Learning selbst.
Christian Johner ist Experte für Soft-Ware-Architektur und medizinische Informatik, lehrte an den Universitäten Stanford, St. Gallen und Würzburg. Er weiß, wie schwierig es ist, solche Daten in großem Stil zu erschließen und zu strukturieren. Egal ob es um Laborbefunde, Röntgenbilder oder die Dokumentation von Behandlungsverläufen geht: Die Daten, mit denen der Algorithmus trainiert wird, müssen vergleichbar und repräsentativ für die Daten sein, die der Algorithmus später klassifizieren soll – beispielsweise als gesund oder krank.
Als Inhaber des Johner-Instituts berät der Experte mit seinem Team Firmen, die KI-Produkte für die Medizin entwickeln wollen: Wie bereiten wir Daten für das Training und die Validierung der Algorithmen auf, an welchen Best-Practices sollten wir uns orientieren, welche Gesetze müssen wir dabei beachten?
Seit knapp einem Jahr melden sich jede Woche Unternehmen bei den Spezialisten in Konstanz und möchten Rat. „Denn bereits beim Sammeln der Daten kann man haufenweise Fehler machen“, sagt Johner. Das betrifft auch den Datenschutz. Wer Daten sammelt, insbesondere medizinische, muss strenge Datenschutzrichtlinien einhalten. „Und je mehr Quellen wir beim Datensammeln nutzen, desto anspruchsvoller werden die Sicherheitskonzepte.“
Ohne Datenschutz wird es nicht funktionieren
Darauf legen auch die Patienten selbst großen Wert. Nach einer repräsentativen Umfrage der Beratungsfirma Pricewaterhouse Coopers vom Januar 2019 sind viele Deutsche skeptisch. 51 Prozent fürchten, dass Krankenhäuser gerade auf dem Land auf Cyberangriffe nur schlecht vorbereitet sind. Achtzig Prozent haben Bedenken, dass Daten in falsche Hände geraten können. Etwa zwei Drittel wünschen sich generell gesetzliche Schutzmaßnahmen in der Gesundheitswirtschaft. Absehbar ist: Ohne einen gut funktionierenden Datenschutz, wird es kaum gelingen, Daten in der Menge zu generieren, die es braucht, damit KI in der Medizin vorankommt.
KI-Experte Sonntag vom DFKI sieht noch eine weitere Schwierigkeit: Wie genau die KI zu einer Entscheidung gekommen ist – eine Diagnose etwa –, liegt irgendwo tief in ihren Zahlentabellen verborgen – eine Blackbox für den Menschen“, erläutert Sonntag. „Doch nur wenn der Arzt versteht, wie eine Entscheidung der KI zustande gekommen ist, kann er sie einordnen.“ Forscher tüfteln daher an Regelsystemen, die Deep-Learning-Systeme animiert, Hinweise zu geben. Was genau auf dem Bild erscheint dem KI-System verdächtig und an welcher Stelle? Ein dunkler Fleck, ein Hubbel, eine Struktur?
„Den Arzt ersetzen wird KI noch in 30 Jahren nicht.“, schätzt Experte Sonntag. „Die Zukunft liegt in der Kooperation von Mensch und Maschine.“ Die Arbeitsteilung heißt: Die KI wertet quantitativ aus, schlägt Lösungen vor, der Mensch interpretiert, ordnet ein und entscheidet. Damit dieses Zusammenspiel gelingt, brauche es eine Plattform, auf der alles Wissen über den Patienten, seine Erkrankung und mögliche Behandlungswege zusammengeführt wird. „Klinische Datenintelligenz“ nennen das die Forscher, die im DFKI gerade an Prototypen arbeiten und Anwendungsbeispiele entwickelt haben. So könnte ein Arzt bei der Untersuchung Befunde mit einem Stift auf dem Tablett dokumentieren, in Echtzeit vergleicht das KI-System die Daten mit Therapieverläufen ähnlicher Fälle aus anderen Kliniken, berechnet individuelle Vorhersagen über den Krankheitsverlauf bei Therapie X und Therapie Y und entwickelt verschiedene Virtual-Realiy-Szenarien mit Therapieempfehlungen. Sonntag: „Aus ihnen kann sich der Arzt dann die seiner Einschätzung nach beste aussuchen.“
Wird KI im medizinischen Alltag bald unverzichtbar?
Noch sind das theoretische Szenarien. Doch wenn es gelingt, mehr Daten zu erschließen und in gut strukturierten, stabilen Datenarchitekturen aufzubereiten, könnte in wenigen Jahren daraus Realität werden. „In ein paar Jahren wird es vielleicht schon als Kunstfehler gelten, auf den Einsatz von KI im medizinischen Alltag zu verzichten“, vermutet Medizininformatiker Johner. Ohne eine kritische gesellschaftliche Debatte darüber, wie viel Entscheidungsmacht Patienten und Mediziner in welchen Fällen an künstliche Intelligenz delegieren wollen, wird es dabei ebenso wenig gehen wie ohne die Diskussion über eine angemessen Kontrolle von Big Data im Gesundheitswesen.
Merantix-Gründer Jonas Muff ist optimistisch: „In der Gesellschaft überwiegt ein positives Bild der technischen Möglichkeiten.“ Allerdings gebe es noch viel zu tun. „So können wir noch nicht nachweisen, dass ein Radiologe insgesamt zu besseren Ergebnissen kommt, wenn er mit der KI arbeitet“, so Muff. Bis der Merantix-Algorithmus Vara 97 Prozent der unauffälligen Befunde zuverlässig aussortieren kann, wird es noch dauern. Zur Zeit spürt er 40 Prozent auf, mittelfristig sind 60 bis 70 Prozent realistisch.
Für 2020 plant das Start-up in Kooperation mit Krankenhäusern und Versorgungszentren Pilotprojekte in ganz Deutschland. „Wir möchten, dass künftig die gesetzlichen Krankenkassen den Einsatz der Software bezahlen“, sagt Muff. Das könnte sich rentieren. Denn die Gesellschaft altert und schon heute fehlt in manchen Regionen radiologischer Nachwuchs. Muff: „Das Duett aus künstlicher Intelligenz und menschlichem Radiologen könnte eine Lösung sein.“
