Künstliche Intelligenz

Das Thema Künstliche Intelligenz ist mittlerweile seit mehreren Jahren ein Dauerbrenner. Doch woran liegt es, dass die Umsetzung dieser modernen Technologie in der Radiologie nur schleppend vorankommt, obwohl die technischen Voraussetzungen und die zu erwartenden Ergebnisse nicht besser sein könnten?

Dass die Radiologie innerhalb des Gesundheitswesen ein Technologietreiber ist, bezweifelt wohl niemand. Keine andere Facharztgruppe ist technologisch so gut ausgestattet und bereits so gut digitalisiert. Die Einführung von PACS und RIS ging allerorts lautlos vonstatten. Modalitäten wurden anfangs gar mithilfe von Merge-Boxen integriert, um sie auf DICOM-Niveau zu bringen. Doch Standards sind in der Radiologie inzwischen so omnipräsent, dass nicht mal mehr darüber gesprochen wird. Die Daten fließen von der Anmeldung bis zur Modalität und zurück, Bilddaten werden von dedizierten Applikationen analysiert und mit klinischen Kolleg:innen sowie Zuweiser:innen geteilt.

Einer der Punkte, die auf der Wunschliste der Verbesserungen in der Radiologie ganz oben stehen, ist die Optimierung des Workflows. Tiefe neuronale Netzwerke sind in der Lage, den Workflow nicht nur zu beschleunigen, sondern auch fehleranfällige Aufgaben mit hoher Zuverlässigkeit auszuführen. Denn wo viele Zahnräder getriebeartig ineinander greifen wird die „Eingangsleistung“ über alle betreffenden Räder übertragen, bis die „Ausgangsleistung“ – mit einer gewissen „Verlustleistung“ abgegriffen werden kann.

KI braucht valide Daten

Sogenannte Workflow-Orchestratoren bilden diese Getriebe digital ab und sind in der Lage, die Verlustleistung zu reduzieren. Natürlich passt das gewählte Analogon des Getriebes nur bedingt, denn auch jetzt laufen die Prozesse bereits digital, aber trotzdem oftmals sequenziell ab. Workflow-Orchestratoren kommunizieren mit allen beteiligten Systemkomponenten, werten Abläufe aus und nutzen diese Ergebnisse, um TNN (tiefe neuronale Netzwerke) zu trainieren, die Vorgänge zu beschleunigen und Fehler zu reduzieren.

Informationen werden nicht mehr sequentiell durch die Stationen geschleust, sondern anhand des Trainings wird jede neue Systemeingabe mit einer Prognose versehen: Je besser das Training ist, umso besser trifft die Prognose zu. Das Entscheidende ist, dass anhand dieser berechneten Prognose im Vergleich zum bisherigen Ablauf einzelne Stationen übersprungen werden können. Deshalb laufen KI-Prozesse nicht nur schnell, sondern auch mit großer Zuverlässigkeit ab.

Zudem eigenen sich die von der Radiologie bereits massenhaft produzierten Daten bestens, um tiefe neuronale Netzwerke zu trainieren. Was uns zum nächsten Punkt der Wunschliste führt, der Strukturierten Befundung. Natürlich steht am Anfang der Strukturierten Befundung ein Mehraufwand. Mit den derzeit verfügbaren Lösungen muss man mal mehr oder mal weniger klicken, doch am Ende des Wegs könnte man mit einer gewissen Standardisierung rechnen, die es jungen Radiologinnen und Radiologen oder auch Ärzt:innen mit geringer Erfahrung im Lesen von Röntgenbildern ermöglicht, zu verstehen um was es genau geht. Außerdem bietet ein Strukturierter Befund die Gewähr, dass Fragestellungen bzw. Organe in ihrer Gesamtheit betrachtet werden. Und verfügt man erst mal über eine ordentliche Anzahl an strukturiert befundeten Bildern, sitzt man auf einem Goldschatz an Daten, die wiederum zum Training von KI-Algorithmen verwendet werden können. Denn derzeit fehlt es wohl zum einen an einer ausreichenden Anzahl valider Daten. Zum anderen fehlen noch Instanzen, die in der Lage sind KI-Algorithmen zu validieren und deren „Wirksamkeit“ zu bestätigen.

Tiefe neuronale Netzwerke sind in der Lage durch gezieltes Training, die Wichtung unterschiedlicher Parameter in den einzelnen Schichten so anzupassen, dass das Ergebnis im Output Layer das Eingangssignal im Input Layer mit hoher Präzision erkennt. Der Wichtungsfaktor jeder einzelne Verbindung zwischen den Layern wird solange variiert, bis das optimale Ergebnis erreicht ist.

Viele KI-Unternehmen – geringe Technikbegeisterung bei Radiolog:innen

Die Voraussetzungen für KI in der Radiologie sind also ideal: Der Digitalisierungsgrad ist bereits sehr hoch, das technische Know-how um die Workflows zu beschleunigen ist vorhanden und würde die tägliche Flut an fertiggestellten Befunden ausgewertet werden, hätten wir schnell ausreichend valide Daten, die mithilfe von KI zu sicheren Diagnosen führen. Bei so vielen Vorteilen, müsste eigentlich jeder daran interessiert sein, die Möglichkeiten der neuen Technologie zu nutzen. Doch an der Umsetzung hapert es gewaltig.

Umfragen in Fachorganisationen belegen, dass die Hemmschwelle vieler Ärzt:innen im Umgang mit Technologie sehr hoch ist. Aber bei KI muss man wissen, wie der Algorithmus funktioniert und wo es zu Fehlern kommen kann. Die Modalitäten werden von MTRAs bedient und die Bildananalyse am PC ist nicht sehr komplex. Deshalb hat sich beispielsweise die technikbegeisterte junge Radiologin Merel Huismann mit dem Young Club der EuSoMII zum Ziel gesetzt, Kolleginnen und Kollegen fachbereichsübergreifend international zu vernetzen und mit Informationen zu versorgen, die dazu dienen, diese Hemmschwelle abzubauen, um zukünftig sicherer mit der Informationstechnik umzugehen (siehe Heftseite 66). Erschwerend kommt hinzu, dass Informationstechnik bisher im Medizinstudium nicht sehr präsent ist. Ein Umstand, den auch PD Dr. med. Bettina Baeßler mit lernrad.com aufgreift (siehe Heftseite 80).

Ein weiteres Thema, das die Umsetzung von KI in der Radiologie erschwert, ist die schiere Vielfalt an jungen Unternehmen, die sich mit Begeisterung der automatisierten Auswertung radiologischer Bilddaten annimmt. Wer verfügt schon über die Zeit, sich mit allen möglichen Start-ups auseinanderzusetzen, Verträge zu verhandeln und die Installation und Integration in die eigene Infrastruktur zu begleiten. Hinzu kommt, dass es nicht nur zahlreiche neue Unternehmen gibt. Diese neuen Unternehmen funktionieren auch ganz anders. Bevor man eine neue Modalität kauft, bespricht man mit den Verkaufsingenieuren der unterschiedlichen Anbieter vor Ort nicht nur die Anwendung, sondern besichtigt auch die Räume, um ein optimales Konzept zu erarbeiten. Danach kommt ein LKW, es wird ausgeladen und ein paar Tage lang installiert. Manchmal braucht man auch einen Kran und das ganz große Spektakel mit Wand raus oder Dach weg.

Kaum überschaubare Vielfalt

KI bekommt man im Digital Marketplace und es wird nichts mehr installiert, sondern „deployed“. Außerdem wird kaum noch gekauft sondern man schließt eine „Subscritption“ ab. Und selbst wenn deployed wird, kann es in der Cloud sein oder onpremise. Wer blickt da noch durch?

Selbst wenn man guter Dinge ist und sagt, jetzt fange ich dann doch mal an, ich will ja nicht der Letzte sein und der frühe Vogel fängt den Wurm, geht es daran, die schwierigste Frage zu beantworten: Soll ich beim bewährten Modalitäten-/PACS-Hersteller bleiben oder einen unabhängigen Marktplatz wählen? Dass die KI-Marktplätze souverän arbeiten, steht außer Frage. Trotzdem gibt es unterschiedliche Konzepte mit Vor- und Nachteilen, die es abzuwägen gilt.

Bei diesen vielen Fragen und Hürden haben wir bisher für viele potenzielle Anwender:innen den allerwichtigsten Punkt ausser acht gelassen und das ist die Vergütung. Letztendlich kann jedoch noch niemand sagen, zu welchem Preis sich welche Anwendung rechnet. Aber das Gute daran ist: Die Deinstallation der Software reduziert sich auf einen Klick und wenn es sich nicht rechnet, ist das Abo – gemeint ist natürlich die Subscription – schnell gekündigt.

Die Übersicht auf den folgenden Seiten zeigt einige unterschiedliche bereits erhältliche Algorithmen und deren technische Voraussetzungen für einen erfolgreichen Start.

Künstliche Intelligenz

Die Übersicht auf den folgenden Seiten zeigt einige unterschiedliche bereits erhältliche Algorithmen und deren technische Voraussetzungen für einen erfolgreichen Start.

Brainomix · e-STROKE

Die umfassendste Lösung für die Schlaganfall-Bildgebung Die Brainomix AI e-Stroke Software ist eine Sammlung von Tools, die hochmoderne KI-Algorithmen nutzt, um Ärzt:innen eine Echtzeit-Interpretation von Hirnscans zu ermöglichen und dient somit der automatisierten Diagnose-Unterstützung um Behandlungs- und Verlegungsentscheidungen für den S troke-Patienten zu beschleunigen. Folgenden Softwaretools werden angeboten: e-ASPECTS · e-CTA · e-CTP Optional und bei Bedarf die Möglichkeit, Bildanalysedaten via der Mobile e-STROKE App innerhalb der Klinik oder auch über die Klinikgrenzen hinaus zu verteilen.

__________________________________________________________________________________

Canon · Automation Platform

Die Automation Platform stellt mithilfe der Deep-Learning-Technologie in einem Zero-Click Workflow wertvolle klinische Anwendungen bereit. Das vollautomatisierte System erstellt schnelle und verwertbare Ergebnisse in einem standardisierten Verfahren. Die Automation Platform gewährleistet, dass alle relevanten Informationen elektronisch und direkt über ein klinisches Arbeitsplatzsystem erreichbar sind. Die Zero-Click-Anwendungen des AUTOStroke sorgen durch eine automatische Analyse der Bilder für eine vollständige Charakterisierung von Schlaganfallsituationen und können somit Notfall- und Stroke-Teams direkte Informationen zur Unterstützung der klinischen Beurteilung und Behandlung bereitstellen.

__________________________________________________________________________________

Coreline · AVIEW

AVIEW wird weltweit in namhaften Screening-Projekten verwendet und findet auch ab 2021 in der größten deutschen LCS-Studie Verwendung. AView umfasst die Analyse der sogenannten „Big 3“. Lungenrundherde: Volumetrische Analyse; Lung RADS 1.1 / EUPS; Volume Doubling Time; Gewebeanalyse (solide, teilsolide Läsionen, Milchglasherde); Brock Score COPD-Analyse: Automatische Segmentierung (Lunge, Lungenlappen und Atemwege); Quantitative Analyse (Emphysem, Chronische Bronchitis, Pulmonalgefäße, Air-Trapping, Fissurenintegrität); Phänotypisierung & Verlaufskontrolle Calcium Scoring der Koronararterien: CAC- Analyse aus Low Dose CT-Untersuchungen; Ohne EKG-Gating; Ohne Kontrastmittel.

__________________________________________________________________________________

contextflow · SEARCH Lung CT

contextflow SEARCH Lung CT ist eine auf KI-basierende inhaltsbasierte Bildsuchmaschine für 3D-Daten aus der medizinischen Bildgebung. Die Applikation liefert Informationen, die für die Identifikation und Interpretation lungenspezifischer Bildmuster in CT-Scans relevant sind, wie:

◾ Bilder mit ähnlichem Erscheinungsbild aus einer vorhandenen Wissensdatenbank, die retrospektive Fälle enthält

◾ Visualisierungen von Bereichen der Lunge in denen eine pathologische Veränderungen vermutet wird

◾ Vorschläge für mögliche lungenspezifische Bildmuster für ausgewählte Bereiche

◾ Referenzinformationen, wie Links zu Literatur, Artikeln oder Leitlinien, Tipps sowie mögliche Differentialdiagnosen

__________________________________________________________________________________

FUSE-AI · ProstateCarcinoma.ai

Seit seiner Gründung 2017 widmet sich FUSE-AI der Entwicklung innovativer Algorithmen im Bereich der medizinischen Computer Vision insbesondere für die MRT Bildverarbeitung. FUSE-AI bietet Lösungen zur Erkennung, Segmentierung und Klassifizierung von medizinischen radiologischen Bildern. Dabei setzt das Unternehmen sowohl konventionelle Bildverarbeitung als auch moderne Machine Learning/Deep Learning Berechnungen ein. Einer der ersten Anwendungsfälle ist die KI-gestützte Visualisierung bei der Prostata-Magnetresonanztomographie (MRT). ProstateCarcinoma.ai annotiert und segmentiert automatisch die Prostata und die Läsionen wie erfahrene Radiolog:innen. Mit einer sehr hohen Sensitivität bei der Genauigkeit der Markierung der Läsionen unterstützt das Produkt die Arbeit des medizinischen Fachpersonals.

__________________________________________________________________________________

GE Healthcare · Edison-Ecosystem

Das Edison Ecosystem ist die Intelligenzplattform von GE Healthcare: Eingebettet in bestehende Arbeitsabläufe, wandelt seine breite Palette an Anwendungen den aus allen klinischen Prozessen entstehenden Datenberg mithilfe von Analysen und künstlicher Intelligenz (KI) um, für eine schnellere und bessere Patientenversorgung.

◾ Edison Apps Marktplatz: Online-Store mit einer großen Auswahl von KI-gesteuerten Apps

◾ Edison Developer Tools: 100+ Services, die beim Training, der Erstellung und dem Einsatz von Anwendungen helfen

◾ Edison Accelerator: Programm zur Beschleunigung von Start-ups und zur Zusammenarbeit mit Gesundheitsdienstleistern

__________________________________________________________________________________

ImageBiopsy Lab · MSK Platform

Mit den neuen Medizinprodukten von ImageBiopsy Lab im Telepaxx Market Place erstellen Sie schnell und unkompliziert attraktive Auswertungen für Ihre Zuweiser:innen. Die KI-basierten Assistenzsysteme erkennen und vermessen MSK-Fragestellungen vollautomatisch, integrieren standardisierte Befundberichte nahtlos in Ihr RIS & PACS und liefern somit in wenigen Sekunden eine objektive Zusatzbefundung. An über 100 Standorten in Europa und den USA kommt die MSK Platform von ImageBiopsy Lab bereits zum Einsatz. Zur Nutzung schalten wir einfach Ihren vorhandenen Telepaxx Server frei. Alternativ dazu installieren wir die KI-Software bei Ihnen. Patientendaten verlassen in keiner Form Ihre Einrichtung.

__________________________________________________________________________________

Gleamer · BoneView undChestView

BoneView und ChestView sind Medizinprodukte der Klasse IIa, die Radiolog:innen und Klinikpersonal durch den Einsatz von KI-Technologie bei der Erkennung und Lokalisierung von Läsionen unterstützen. Sie fügen sich nahtlos in Arbeitsabläufe ein, dienen als Zweitkontrolle zur Vermeidung von Diagnosefehlern und können zur Priorisierung von Befunden auf Basis von KI-Ergebnissen verwendet werden. Beide Softwarepakete steigern die Produktivität und unterstützen die Befunderhebung bei der Rationalisierung und Standardisierung von Behandlungspfaden. BoneView unterstützt Röntgenaufnahmen der Gliedmaßen, des Beckens, der T/L-WS und des kn. Thorax und kann Frakturen, Ergüsse, Luxationen und fokale Knochenläsionen erkennen. ChestView detektiert u.a. Pneumothorax, Pleuraergüsse, Rundherde, mediastinale Wucherungen, Alveolarsyndrom, Aortenverkalkung, Hiatushernien, Mineralisierungen und Fremdkörper. Beide Algorithmen sind für die Behandlung von Kindern und Erwachsenen zugelassen.

__________________________________________________________________________________

mediaire · mdbrain

Die quantitative Neuro-MRT ist von besonderem Mehrwert für die Früherkennung, Differentialdiagnose und Verlaufskontrolle von neurodegenerativen, entzündlichen und neoplastischen Erkrankungen des ZNS. mediaire bietet Radiolog:innen und Neurolog:innen mit mdbrain ein praktikables, wirtschaftliches Neuroradiologie-Paket mit Lösungen von Gehirnvolumetrie über Läsionscharakterisierung bis hin zur Aneurysmadetektion. Die Software wird vollständig in das lokale PACS-System integriert und ermöglicht damit sowohl eine schnelle Reporterstellung innerhalb weniger Minuten als auch einen höchstmöglichen Datenschutz. Patientendaten verlassen in keiner Form die Praxis bzw. Klinik.

__________________________________________________________________________________

MeVis · Veolity LungCAD

Mit dem Medizinprodukt Veolity LungCAD im Telepaxx MarketPlace erkennen Sie Lungenrundherde automatisch in der Health Cloud und erhöhen so Ihre diagnostische Qualität. Die finale Diagnose bleibt dabei Ihnen überlassen. Markieren, vermessen und dokumentieren Sie auffällige Regionen direkt in den DICOM Bildern automatisch – ergänzt durch Volumen, Durchmesser, Dichte und Masse – und beurteilen Sie so Veränderungen pathologischer Strukturen. Dank der datenschutzkonformen Telepaxx Health Cloud nutzen Sie Veolity LungCAD von MeVis überall und jederzeit einfach im Internetbrowser und teilen Ihre Diagnosen mit anderen Ärzt:innen oder auch Patient:innen geschützt online.

__________________________________________________________________________________

Philips · IntelliSpace AI Workflow Suite

Die mit dem EuroMinnie Award 2020 in der Kategorie „Beste neue Radiologie-Software“ ausgezeichnete herstellerneutrale Plattform automatisiert die Zuordnung von Bilddaten aller Modalitäten an die passenden KI-Tools. Die Analyse findet im Hintergrund ohne zusätzliche Interaktion statt. Durch die Anbindung an das PACS werden die Ergebnisse gleich bei Beginn der Befundung im Result Board bereitgestellt. Zusätzlich bietet die Lösung Zugang zu einem Marktplatz für KI-Anwendungen von Drittunternehmen und zur Forschungsplattform Philips IntelliSpace Discovery, sodass die Anwendenden eigene KI-Algorithmen auf der Grundlage lokaler Daten entwickeln können.

__________________________________________________________________________________

Quantib · Prostate

Die auf Künstlicher Intelligenz basierende Software Quantib Prostate bietet einen Workflow für die Erkennung und Befundung von Anomalien auf Prostata-MRTs. Die Software bietet eine KI-basierte Volumetrie der Prostata und PSA-Dichteberechnung, präzise Registrierung und Bewegungskorrektur, halbautomatische Segmentierung und Klassifizierung von Läsionskandidaten sowie eine standardisierte Befunderstellung, um eine einfache und umfassende Kommunikation der Ergebnisse zu ermöglichen.

__________________________________________________________________________________

Siemens Healthineers · AI-Rad Companion

Der AI-Rad Companion ist eine auf Künstlicher Intelligenz (KI) und Deep Learning (DL) basierende Software für unterschiedlichen Modalitäten in der Radiologie, wie CT, MRI und konventionellen Röntgen. Die zugrundeliegenden Algorithmen wurden in Wissenschaftsteams bei Siemens Healthineers anhand von umfangreichen klinischen Datensätzen trainiert und via der Cloudplattform teamplay zur Verfügung gestellt. Die Software kann für verschiedenen Körperregionen, wie Brustkorb, Gehirn oder Prostata, Strukturen voneinander unterscheiden, einzeln herausstellen und etwaige Auffälligkeiten kennzeichnen und quantifizieren. Durch die Einbindung im normalen Befundungsprozess, soll der AI-Rad Companion Radiologen helfen, die Interpretation von Bildern schneller und präziser durchzuführen sowie die Dokumentation der Befunde zu beschleunigen.