Mit künstlicher Intelligenz (KI) gegen den Fachärztemangel
Wie man die Innovationskraft der Crowd für komplexe medizinische Aufgaben nutzt
Künstliche Intelligenz (KI)-gestützte Abgrenzungsalgorithmen erweisen sich als vielversprechend zur Verbesserung der weltweiten Behandlung von Lungenkrebs.
Weltweit nimmt der Fachärztemangel in Krankenhäusern und Kliniken immer weiter zu. Vor allem die weniger entwickelten Länder haben einen erschreckenden Mangel an Spezialisten.
Betrachtet man die demografische Entwicklung, so ist jedoch eine erhöhte Anzahl an medizinischen Experten künftig dringend notwendig. Ein Beispiel ist hier die Radioonkologie, also auf Krebserkrankungen spezialisierte Radiologen. Allein in Deutschland erkranken jährlich etwa 492.000 Menschen an Krebs. Zu den häufigsten Krebserkrankungen zählen bösartige Tumoren der Lunge mit 57.500 Fällen (Quelle: RKI). Bei Männern ist Lungenkrebs nach Prostatakrebs der zweithäufigste Krebs, bei Frauen nach Brust- und Darmkrebs der dritthäufigste.
Leider fehlt es vielerorts an Spezialisten, die sich mit der Behandlung durch Strahlentherapie (RT) auskennen. Eine wichtige ärztliche Aufgabe bei der Planung der Strahlentherapie ist die Segmentierung von Tumoren für die gezielte Behandlung. Diese manuelle Tumorabgrenzung – also die Messung der Behandlungsfeldgrenzen von Tumoren – ist ein zeitaufwändiger und komplizierter Prozess, der eine intensive Ausbildung erfordert. Dabei geht es wohlgemerkt nicht um die Frage, ob Krebs vorliegt oder nicht, sondern um das genaue Umreißen des vorhandenen Tumors. Neben weiteren Herausforderungen unterliegt diese Segmentierung starken subjektiven Schwankung und Abweichungen der Beobachter. Oder anders ausgedrückt: Das Ergebnis hängt auch von der Kompetenz und Qualifikation des Beobachters ab. Und je schlechter das Ergebnis, desto größer das Risiko von erhöhter Mortalität und Therapieversagen.
Index
Die Herausforderung: Schneller & differenzierter sein als der Facharzt
Um hier eine Lösung zu finden, hat das Dana-Farber Cancer Institute gemeinsam mit dem Harvard Cancer Center eine internationale Gemeinschaft von Programmierern beauftragt, zeitnah eine KI zu entwickeln, die die Genauigkeit eines Radioonkologen bei der Segmentierung von Lungentumoren reproduzieren soll. Es wurde eine der ehrgeizigsten Initiativen im Gesundheitswesen, die jemals in der Welt der Crowdsourcing-Aktivitäten unternommen wurden: die Erstellung und Erprobung automatischer Tumorabgrenzungsalgorithmen zur Verbesserung der Behandlung von Krebstumoren in der Lunge der Patienten. Und dabei immer die Frage: Kann die Leistung einer KI die Genauigkeit eines Radiologen erreichen oder diese sowohl in der Verarbeitungsgeschwindigkeit als auch in der Konsistenz sogar noch übertreffen?
Die beiden Forschungszentren setzten bei ihrem Lösungsansatz auf die Innovationskraft der „Crowd”. In diesem Fall auf das geballte Wissen einer Vielzahl von Programmierern bei Topcoder. Sie sollten ihr Wissen bündeln und es zur Entwicklung einer auf Künstlicher Intelligenz basierenden Lösung für die gezielte Ausrichtung der Strahlentherapie nutzen. Topcoder ist ein globales Crowdsourcing-Unternehmen mit einer offenen Community von Designern, Entwicklern, Data Scientists und Programmierern. Und tatsächlich gelang es den Spezialisten, einen Algorithmus zu entwickeln, der bei der Segmentierung von Lungentumoren auf Computertomographie-Scans (CT-Scans) von Patienten mindestens so gut funktioniert wie ein Gremium von Radioonkologen. Und das deutlich schneller: Er erledigt die Aufgabe in Sekunden (zwischen 15 und 120), während die Experten dafür in der Regel zwischen zehn und 30 Minuten benötigen.
Das Vorgehen: Programmierer, KI und Fachärzte arbeiten Hand in Hand
Für das dreiphasige Projekt über einen Zeitraum von zehn Wochen, registrierten sich 564 Teilnehmer aus 62 Ländern. 34 Teilnehmer reichten insgesamt 45 Algorithmen ein. Daraus wurden zehn Algorithmen ausgewählt, die von den neun Gewinnern entwickelt wurden. In Phase 1 und 2 war der Wettbewerb offen für alle registrierten Entwickler auf der Topcoder-Plattform und an die Gewinner wurden Preisgelder in Höhe von 35.000 bzw. 15.000 US-Dollar ausgeschüttet. In Phase 3 durften nur noch die Besten der Vorrunden auf Einladung teilnehmen, hier gab es weitere 5.000 US-Dollar zu gewinnen. Die Programmierer erhielten zur Entwicklung des Algorithmus CT-Scans, Experten-Segmentierungen von Lungentumoren und Organen sowie andere klinische Daten. Zudem bekamen sie CT-Scans ohne Segmentierungen aus einem Validierungsset.
Die von den Teilnehmern generierten KI-Algorithmen wurden automatisch anhand eines unabhängigen Datensatzes bewertet und die Leistung wurde anhand quantitativer Metriken, die die Überlappung der automatischen Segmentierungen jedes Algorithmus mit den Segmentierungen des Experten analysierten, in eine Rangfolge gebracht. Dabei erwies sich nicht ein Weg als der erfolgreichste. Die besten Kandidaten nutzten vielmehr unterschiedliche technische Ansätze, darunter so genannte Convolutional Neural Networks (CNN), Computercluster und Zufallsalgorithmen („Random Forest”). Die auf CNNs basierenden Lösungen umfassten sowohl benutzerdefinierte als auch öffentliche Architekturen und Frameworks zur Objekterkennung, -lokalisierung und -segmentierung. Unter anderem kam dabei Technologie zum Einsatz, die für Gesichtserkennung, biometrische Bildsegmentierung oder autonome Fahrzeuge entwickelt wurde. Das regelmäßige Feedback der involvierten Mediziner trug zusätzlich schrittweise zur Verbesserung des Algorithmus bei.
Mit KI die globale Krebsvorsorge unterstützen
An den beeindruckenden Ergebnissen des Gemeinschaftsprojektes zeigt sich, dass die Innovationskraft der Crowd in Verbindung mit dem Feedback menschlicher medizinischer Experten eine rasche Entwicklung von Lösungen für eine komplexe medizinische Aufgabe ermöglicht. Das Projekt hat das Potenzial, die Qualität der onkologischen Versorgung weltweit erheblich zu verbessern. Die Entwicklung von KI-Lösungen für zeitintensive Aufgaben kann die Produktivität und die Zeit für die Patientenpflege in vielbeschäftigten Kliniken erhöhen. Dieser neue Algorithmus verringert die Belastung der Onkologen und verbessert die Qualität und Konsistenz der Krebsbehandlung. Er könnte klinisches Fachwissen in unterversorgten Gebieten bereitstellen – wie etwa in Ländern mit niedrigem und mittlerem Einkommen, in denen Lungenkrebs zunehmend verbreitet und die Zahl der Strahlentherapeuten begrenzt ist.
Die Nachfrage nach KI-Experten steigt in der gesamten globalen Wirtschaft, vor allem in den akademischen und industriellen Bereichen. Das beschriebene Projekt zeigt, dass Crowd-Innovation-Ansätze auch zur Demokratisierung der Entwicklung von KI-Lösungen im medizinischen Bereich beitragen können. Wenn Fachärzten bei Bedarf der Zugang zu KI-Expertise ermöglicht wird, können klinische und Forschungsergebnisse verbessert werden. Crowdsourcing-Methoden bieten die Möglichkeit, schnell Prototypen von KI-Algorithmen zu erstellen, um Expertenwissen zu replizieren, es auf unterfinanzierte Gesundheitseinrichtungen zu übertragen und somit die Qualität möglicher Therapien weltweit zu verbessern.
Dabei scheint es keinerlei thematische/medizinische Grenzen zu geben. So wurde KI bereits erfolgreich bei der Diagnose von Hautkrebs, Netzhauterkrankungen oder Brustkrebserkrankungen angewandt, wie unter anderem die ÄrzteZeitung 2019 in einem Fachartikel berichtete. Das Potenzial, das man zur Verbesserung der Versorgung sowohl in den Entwicklungs- als auch in den Industrieländern aus dieser Technologie ziehen kann, ist enorm. Aber klar ist auch, dass Algorithmen niemals alle Aufgaben von Fachärzten übernehmen können. Der große Vorteil liegt in der Unterstützung und Entlastung knapper, medizinischer Ressourcen. Wenn eine KI künftig dort einspringt, wo technische Genauigkeit und Schnelligkeit gefragt ist, haben die Ärzte mehr Zeit, sich um ihre Patienten zu kümmern.
Autor:
Clinton Bonner
Vice President Marketing Topcoder
Die Kommentarfunktion ist geschlossen.