X-Rays Diagnosis von Optimaspace

Der ultimative Leitfaden zur KI in der Radiologie
Get Started

Einer neuen Ära in der künstlichen Intelligenz der Radiologie

Derzeit stehen wir vor einer neuen Ära in der künstlichen Intelligenz der Radiologie. AI hat sich lange Zeit stark auf die Bildanalyse konzentriert und vielversprechende Ergebnisse gezeigt. Daher gibt es große Erwartungen hinsichtlich der Anwendung von KI auf radiologische Bilder.

Das ultimativen Leitfaden zur KI in der Radiologie

Die Radiologie gibt es seit über einem Jahrhundert und sie hat in dieser Zeit bedeutende Innovationen erfahren. Die Entdeckung von Röntgenstrahlen durch Wilhelm Röntgen im Jahr 1895 war der erste Durchbruch, nach dem viele weitere folgten. Positronenemissionstomographie (PET) in den 60er Jahren, Computertomographie (CT) in den frühen 70er Jahren und MRT in den späten 70er Jahren, die allein eine lange Liste verschiedener Bildgebungsoptionen enthält, mit denen Ärzte nicht nur verschiedene Strukturen, sondern auch Funktionen vom Körper messen können. Die Radiologie von Anno 2019 hat in (fast) jedem Krankenhaus eine eigene Abteilung, und die Bildgebung ist ein wesentlicher Bestandteil der meisten Patientenuntersuchungen.
  • Wie kann KI dem Radiologen helfen?

    Radiologen sind äußerst beschäftigte Angehörige der Gesundheitsberufe. Sie können es sich nicht leisten, Fehler zu machen. Sie müssen mit einer Vielzahl von überweisenden Ärzten interagieren. Neurologen, Urologen, Orthopäden, die Liste geht weiter. Sie müssen immer scharf sein. Was kann KI diesen gestreckten Radiologen bringen und sie noch besser machen, was sie tun?
  • Was sind die Vorteile von KI in der Radiologie?

    Es gibt verschiedene Möglichkeiten, wie KI die Leistung von Radiologen noch weiter verbessern kann. In diesem Abschnitt werden wir einige dieser Ansätze diskutieren. Diese Liste ist nicht vollständig. Es gibt viele weitere Möglichkeiten für die KI, dem Radiologen zu helfen. Wir werden diesen Abschnitt in Zukunft erweitern.
  • Stellen Sie eine differenziertere Diagnose bereit

    Viele KI-Lösungen konzentrieren sich auf die Bereitstellung zusätzlicher Informationen. Dies kann durch Quantifizierung der in einem Bild enthaltenen Informationen geschehen, die derzeit nur qualitativ gemeldet werden. Oder die Software kann normative Werte hinzufügen, sodass Ärzte die Patientenergebnisse mit einem Durchschnitt vergleichen können, der auf einem Querschnitt der Bevölkerung basiert. Die Schwierigkeit bei diesem Vorteil besteht darin, dass wir noch nicht immer wissen, wie wir mit diesen zusätzlichen Informationen umgehen sollen. Was bedeutet ein bestimmter Wert? Wann unterscheidet sich ein Patient signifikant von der Bevölkerung und was bedeutet dies für die Diagnose? Da wir noch wenig Erfahrung mit quantifizierten Informationen haben, gibt es (noch!) Oft keine Richtlinien darüber, was diese Informationen bedeuten oder was ein Radiologe damit machen sollte.
  • Nehmen Sie sich wiederholende Routineaufgaben auf

    KI ist nicht in allem gut. Zumindest jetzt noch nicht. Was sind derzeit die besten Aufgaben für die Übergabe an AI? Aufgaben, für die wir eine Menge Daten zur Verfügung haben, die ziemlich einfach sind und nicht die Kombination vieler verschiedener Eingaben erfordern. Daher erledigen die einfachen Routineaufgaben der Radiologen viel. Normalerweise betrifft dies die eintönigeren Aufgaben, mit anderen Worten die Aufgaben, die Radiologen als umständlich empfinden.
  • Bieten Sie eine zweite Meinung an

    Das Ausführen eines KI-Algorithmus im Hintergrund bietet eine einfache Möglichkeit, eine zweite Meinung einzuholen. Die Algorithmusergebnisse können als einfache Sicherungsprüfung der Diagnose des Arztes dienen. Ein zusätzlicher Vorteil der Ausführung von KI-Software als Zweitmeinung besteht darin, dass sich der Radiologe allmählich an die Arbeit mit KI gewöhnen und Vertrauen aufbauen kann, da er sieht, dass dies einen Mehrwert darstellt. Um diesen Zweck gut zu erfüllen, ist es sehr wichtig, dass die Software eine starke Leistung erbringt und nicht viele falsch positive oder negative Ergebnisse zurückgibt. Darüber hinaus ist es wichtig, dass Verfahren vorhanden sind, wenn die KI-Software eine andere Diagnose erstellt als der Arzt.

  • Beseitigen Sie die Variabilität zwischen Beobachtern

    Selbst die am besten ausgebildeten und erfahrensten Radiologen können sich manchmal in ihrer Diagnose unterscheiden. Morgens ausgeruht könnte etwas anderes die Aufmerksamkeit auf sich ziehen als nach einem langen Arbeitstag. Darüber hinaus können verschiedene Radiologen in ihren Berichten unterschiedliche Aspekte hervorheben. Dies kann für überweisende Ärzte schwierig sein, da sie diese Abweichungen bei der Synthese aller Informationen berücksichtigen müssen, bevor sie zu einer endgültigen Diagnose gelangen. KI-Software kann diese Variabilität zwischen Radiologenberichten verringern oder sogar beseitigen.

  • Wie wird die Radiologie der künstlichen Intelligenz diese Vorteile realisieren?

    Es gibt viele Aufgaben, die KI im Kontext der Radiologie ausführen kann. Einige Aufgaben erfordern nur ein medizinisches Bild als Eingabe und basieren die Analyse ausschließlich auf den Pixeln (oder Voxeln). Andere gehen noch einen Schritt weiter und kombinieren radiologische Bilder mit Informationen aus anderen Quellen. Welche Art von Analysen sollten Sie in diesen beiden Kategorien berücksichtigen?

  • Verwenden Sie nur das Bild als Eingabe

    Eine KI, die nur ein medizinisches Bild als Eingabe verwendet, liefert Ergebnisse, die größtenteils denen ähneln, die Radiologen sonst manuell ausführen würden. Beispielsweise können automatische Segmentierungen bestimmter Organe manuell durchgeführt werden (z. B. Leber- und HCC-Segmentierung, um zu bestimmen, ob eine Resektion durchgeführt werden kann und sollte). Diese Art von Analysen ist jedoch sehr zeitaufwändig und daher sehr gut geeignet, um sie an einen Algorithmus auszulagern. Ein weiteres Beispiel ist die Quantifizierung bestimmter Abstände (z. B. automatische Messung von RECIST-Scores). Auch dies kann manuell erfolgen, aber viele Radiologen empfinden dies als monotone Aufgabe, was es zu einem geeigneten Kandidaten macht, um KI-Hilfe zu erhalten.

  • Hinzufügen weiterer Informationen aus anderen Patientenuntersuchungen

    Die Kombination von medizinischen Bildern mit anderen Informationen kann zu Erkenntnissen führen, die für Radiologen nicht immer leicht zu erhalten sind. Diese Arten von Analysen werden normalerweise als futuristischer angesehen. Durch Verknüpfen von Bilddaten mit Pathologielaborergebnissen ist es beispielsweise möglich, dass ein Algorithmus Pathologieinformationen aus einem medizinischen Bild ableitet. Ein weiteres Beispiel ist ein Algorithmus, der genetische Daten aus Bildern extrahiert, ohne Zugriff auf genetische Markups eines Patienten zu haben.

    Eine andere Art der Analyse ist das Hinzufügen normativer Informationen. Zum Beispiel durch Vergleich des Patientenorganvolumens mit dem Durchschnitt der Bevölkerung. Dies kann in der Demenzforschung (Vergleich der Volumina spezifischer Gehirnstrukturen mit einer normativen Datenbank) oder bei Milzvergrößerung nützlich sein.

  • Wie kann KI dem Radiologen helfen, Patienten zu helfen?

    Jeder diagnostische Prozess zielt darauf ab, die besten Patientenergebnisse zu erzielen. Die medizinische Bildgebung ist zunehmend Teil der diagnostischen Kette und sollte daher auf genau dasselbe Endziel abzielen: Nutzen für den Patienten. Daher sollten wir für jede KI-Lösung, die von Radiologen zur Beurteilung von Bildern verwendet wird, den Lackmustest durchführen und fragen: "Ist diese Software letztendlich für den Patienten von Vorteil?" Einfach ausgedrückt, können Sie den Patientennutzen auf zwei Achsen betrachten: der Qualitäts- und der Effizienzachse. Wir werden beide unten diskutieren.

  • Qualitätssteigerung für bessere Patientenergebnisse

    AI bietet ein großes Potenzial zur Verbesserung der Qualität der aktuellen Bildwerte. Zum Beispiel durch die Durchführung von Analysen, die derzeit nicht durchgeführt werden, weil diese für Radiologen zu zeitaufwändig sind, um sie manuell auszuführen. Ein Beispiel sind volumetrische Messungen von Organen, bei denen die manuelle Abgrenzung zeitlich zu anspruchsvoll ist, aber die Genauigkeit der Diagnose verbessern könnte. Darüber hinaus ist KI ein wichtiger Faktor für die Präzisionsmedizin. Sobald mehr Patientendaten verfügbar sind, können wir detaillierter bestimmen, welche Informationen bestimmte Behandlungen implizieren, die zu besseren Patientenergebnissen führen. Ein weiterer Schritt in dem Prozess, der sich mit einem gewissen KI-Einfluss verbessern kann, ist die Patientenkommunikation. Dies ist jedoch nicht unbedingt direkt das Gebiet des Radiologen

  • Effizienzverbesserung zum Nutzen des Patienten

    Die Qualität der Versorgung ist äußerst wichtig. Wenn die Diagnose jedoch zu lange dauert, nützt eine hohe Qualität nichts. Qualität sollte daher immer mit Effizienz verbunden sein. KI kann auf verschiedene Weise zur Steigerung der Effizienz beitragen. Es kann helfen, den Diagnoseprozess zu beschleunigen, indem Aufgaben automatisiert werden, die bei manueller Ausführung zeitaufwändig sind. Beispielsweise kann die RECIST-Score-Messung ein guter Kandidat für die Beschleunigung sein, indem der Prozess automatisiert wird. Eine andere Möglichkeit besteht darin, dem Radiologen zu helfen, dringende Fälle zu priorisieren. Welche bildgebenden Untersuchungen sollte der Radiologe zuerst beurteilen? AI kann eine erste Bewertung vornehmen und Fälle bei Bedarf nach oben verschieben.
  • Wird AI Radiologenjobs übernehmen?

    Einfache Antwort, nein, es wird keine Radiologenjobs übernehmen. Es wird jedoch mit Sicherheit einige radiologische Aufgaben übernehmen. Es wird Radiologen durch automatische Messungen unterstützen, die derzeit sehr zeitaufwändig sind. Es wird Routineaufgaben übernehmen, die von vielen Radiologen als umständlich empfunden werden. Radiologen haben jedoch einen viel differenzierteren Job als diese Art von Aufgaben allein. Radiologenjobs werden sich ändern, aber sie werden nicht verschwinden.
Bevor wir beginnen

Grundlegende KI-Konzepte

Bevor wir beginnen, stellen wir sicher, dass wir uns vollständig verstehen, indem wir einige Konzepte definieren, die auf dieser Webseite verwendet werden.

Was ist ein Algorithmus?

Ein Algorithmus ist eine Reihe von schrittweisen Anweisungen, die befolgt werden können, um ein Ziel zu erreichen oder ein Problem zu lösen. Ein Kochrezept kann ein Algorithmus sein, genau wie eine Wegbeschreibung zum Krankenhaus. Meistens beziehen wir uns jedoch auf Computeralgorithmen. Hierbei handelt es sich um Computercode, mit dem bestimmte Probleme gelöst werden sollen. Wenn Sie Daten einfügen, führt der Computeralgorithmus Berechnungen basierend auf diesen Daten durch und gibt Ihnen eine Ausgabe aus. die Lösung des Problems. Im Kontext der Radiologie ist ein Algorithmus normalerweise ein Teil des Computercodes, der ein medizinisches Bild als Eingabe verwendet und eine Antwort zurückgibt, um dem Radiologen bei seiner Analyse zu helfen.

Was ist ein Label?

Für die meisten Algorithmen benötigen Sie einen beschrifteten Datensatz. Dies bedeutet, dass Sie für jeden Datenpunkt in Ihrem Datensatz (in der Radiologie für jedes Bild) die Grundwahrheit kennen: das Etikett. Wenn Sie beispielsweise einen Algorithmus erstellen möchten, mit dem zwischen bösartigen und gutartigen Tumoren unterschieden werden kann, müssen die medizinischen Bilder in Ihrem Datensatz Tumore enthalten und jedes Bild muss mit der Bezeichnung "gutartig" oder "bösartig" versehen sein. Auf diese Weise kann der Computer lernen, wie verschiedene Tumortypen auf den Bildern erkannt werden können. 

Was ist ein Feature-Space?

Alle Features zusammen können im Feature-Space dargestellt werden. Eine visuelle Darstellung des Feature-Space (mit Features in einem Diagramm) kann helfen, einen Überblick über alle Feature-Werte zu erhalten. Das einfachste Beispiel ist, wenn Ihr Datensatz zwei Funktionen aufweist. Sie visualisieren dies, indem Sie ein Diagramm mit einem Merkmal auf der x-Achse und dem anderen Merkmal auf der y-Achse zeichnen. Jedes Bild kann in diesem Diagramm dargestellt werden, indem ein Punkt an der Position (X, Y) gezeichnet wird, wobei X der Bildwert für das erste Merkmal und Y der Bildwert für das zweite Merkmal ist. Durch die Analyse von Daten im (rechten) Feature-Bereich können Korrelationen leichter erkannt werden, die beim Betrachten der Originaldaten nicht erkennbar sind. 

Die Schlagworte in der Perspektive

Wann immer über KI gesprochen wird, werden Wörter wie maschinelles Lernen, tiefes Lernen und Big Data herumgeworfen ... aber wer kennt sein maschinelles Lernen aus seinem tiefen Lernen? Lassen Sie uns ein klareres Bild von einigen dieser Schlagworte bekommen. In welcher Beziehung stehen KI, maschinelles Lernen und tiefes Lernen zueinander? Eine schematische Übersicht über das gesamte Feld ist in Abbildung 1 dargestellt. Künstliche Intelligenz ist ein Gebiet der Wissenschaft, wobei maschinelles Lernen ein wichtiges Teilgebiet ist und tiefes Lernen ein Teilgebiet des maschinellen Lernens ist. Die Unterscheidungsmerkmale für jedes Feld werden in den folgenden Abschnitten erläutert.

Was ist maschinelles Lernen (ML) und wie funktioniert es?

Algorithmen für maschinelles Lernen sind eine Teilmenge der Methoden der künstlichen Intelligenz, die sich dadurch auszeichnen, dass Sie dem Computer nicht im Voraus mitteilen müssen, wie das Problem zu lösen ist. Stattdessen lernt der Computer, Aufgaben zu lösen, indem er Muster in den Daten erkennt.

Was sind (Trainings-) Daten?

Um einen Algorithmus zu erstellen, benötigen Sie (fast) immer einen Datensatz, die Trainingsdaten, um loszulegen. Dieser Datensatz ist ein Stapel des Datentyps, den Ihr Algorithmus analysieren soll. In der Radiologie wären dies Bilddaten. Abhängig von der Art des verwendeten Algorithmus benötigen Sie möglicherweise auch zusätzliche Informationen. Dies können Informationen zu dem sein, was Sie auf dem Bild sehen (z. B. eine Segmentierung) oder andere Patienteninformationen.

Was ist eine Bildfunktion?

Ein Bildmerkmal  ist ein messbares Merkmal oder eine bestimmte Eigenschaft, die Sie in jedem Bild der Trainingsdaten finden können. Wenn es sich bei Ihren Eingabedaten beispielsweise um eine Reihe von Röntgenbildern der Hüfte handelt, können die Bildmerkmale die Form des Femurkopfs des Patienten umfassen, sie können jedoch auch abstrakter sein, z. B. die Verteilung der Graustufenwerte innerhalb des Femurs Kopf.  

KI von Anfang an

Künstliche Intelligenz wird voraussichtlich eine große Rolle bei der Transformation der radiologischen Praxis spielen. Aus diesem Grund möchten wir die Grundlagen der künstlichen Intelligenz auf hoher Ebene erläutern. Was ist das und wie funktioniert es?

Was ist künstliche Intelligenz und wie funktioniert sie?

Je nach Kontext können verschiedene Definitionen für künstliche Intelligenz verwendet werden. Viele dieser Definitionen verbinden menschliches Verhalten mit dem (beabsichtigten) Verhalten eines Computers. Im Fall der Radiologie decken diese Definitionen den Umfang der KI nicht ganz ab, da es viele Situationen gibt, in denen die KI die menschlichen Fähigkeiten übersteigt. In der Radio Genomik verknüpfen beispielsweise genetische Informationen mit dem, was auf medizinischen Bildern erkannt wird, und können so das Vorhandensein oder Fehlen genetischer Mutationen in einem Tumor vorhersagen, anhand derer die weitere Diagnose und Behandlung bestimmt werden kann. Ein weiteres Beispiel ist die Anwendung von Deep Learning (DL) auf die Bildrekonstruktion in MRT oder CT, die als Deep Imaging bezeichnet wird. Die Bildqualität kann durch Verwendung von DL-Algorithmen verbessert werden, die die rohen k-Raum-Daten eines MRT-Scans in ein Bild übersetzen. Eine Definition für KI, die diesen Kriterien entspricht, könnte sein

  • "Ein Zweig der Informatik über die Simulation intelligenten menschlichen Verhaltens in Computern".
  • Eine noch weitergehende Verfeinerung dieser Definition von KI im Kontext der Radiologie führt zu
  • "Ein Zweig der Informatik, der sich mit der Erfassung, Rekonstruktion, Analyse und / oder Interpretation medizinischer Bilder durch Simulation des menschlichen intelligenten Verhaltens in Computern befasst."

Im Bereich der künstlichen Intelligenz gibt es eine breite Palette von Methoden. Wie bereits erwähnt, deckt maschinelles Lernen einen Teil dieses Bereichs ab, und Deep Learning ist eine der Methoden des maschinellen

Was sind Klassifizierungstechniken?

Klassifizierungsalgorithmen klassifizieren die Eingabe, die sie erhalten. Zum Beispiel, ob ein Gehirntumor ein Oligodendrogliom oder ein Astrozytom ist, zusammen mit der Sicherheit dieser Klassifizierung.  Klassifizierungsalgorithmen werden normalerweise mit beschrifteten Bildern erstellt. Da Sie genau wissen, in welche Klassen Sie Ihre Eingabe kategorisieren möchten, handelt es sich um eine überwachte Methode.
heart-pulse linkedin facebook pinterest youtube rss twitter instagram facebook-blank rss-blank linkedin-blank pinterest youtube twitter instagram