Schnellere Diagnosen und kürzere Untersuchungen
Künstliche Intelligenz in Medizin und Klinikalltag
KI-Ärzte und -Ärztinnen, die eigenständig Diagnosen stellen, sind noch eine Zukunftsvision. Für die Medizin können KI-Anwendungen aber vielfältige Chancen bringen: Diagnosen könnten schneller, einfacher und fehlerfreier gestellt oder Therapien zielgerichteter gestaltet werden. Und durch effizientere Abläufe im Klinikalltag hätte das Personal mehr Zeit für die Patientenversorgung.
Daniel Rückert ist Professor für AI in Healthcare and Medicine an der TUM und Leiter des neuen Zentrums für Digitale Medizin und Gesundheit (ZDMG). Er und sein Team entwickeln seit Jahren solche KI-Lösungen: „Als Unterstützung und Assistenz ist die KI schon nah am Menschen, aber für autonome KI-Entscheidungen gibt es noch zu viele Risiken“, sagt er. Die größten Schwierigkeiten sieht Rückert darin, einen guten Kompromiss zwischen Regularien, dem Schutz der Patientin oder des Patienten und der Nutzung der Chancen von KI zu finden. Der Schwerpunkt seiner Forschung liegt deshalb unter anderem auch auf der Sicherheit von medizinischen Daten.
Schutz von sensiblen Daten
Um in der medizinischen Forschung zum Beispiel verlässliche Aussagen darüber zu treffen, wie erfolgreich Therapien sind, braucht es große Datenmengen. Diese entstehen täglich an Kliniken – allerdings sind sie deutschlandweit verteilt. Solche sensiblen Daten zu verschicken, um sie an einem bestimmten Ort zu bündeln und auszuwerten, ist riskant.
Das Team um Daniel Rückert hat für diesen Zweck ein KI-Modell entwickelt, das anstelle der Daten von Klinik zu Klinik geschickt wird. Es nutzt das Prinzip des verteilten Lernens. Konkret läuft es so ab: Das KI-Modell wird an eine Klinik gesendet, diese trainiert das Modell mit den eigenen Patientendaten und gibt es weiter an die nächste Klinik. Am Ende hat das Modell mit allen Datensätzen gelernt, aber die sensiblen Daten mussten nicht verschickt werden. Eine KI kann aber in der Lage sein, sich an bestimmte Datensätze zu erinnern. Das ist problematisch für den Schutz der Privatsphäre der Patientinnen und Patienten.
Auch hierfür fanden die Forschenden eine Lösung: Sie fügen den Daten eine kleine Menge von „Rauschen“ hinzu, also einen nutzlosen Datenanteil, durch den die KI die einzelnen Datensätze nicht mehr unterscheiden kann. Die Forschungsgruppe vereinte erstmals diese zwei Prinzipien in einem System und schaffte so die Basis für eine sichere Datennutzung.
Bessere Analyse von Bilddaten
„Eines unserer Ziele ist es, aus medizinischen Bilddaten mit Hilfe der KI neue und bessere Informationen zu erhalten, so dass unnötige oder langwierige Untersuchungen wegfallen“, sagt Daniel Rückert. Im diesem Bereich der Bildanalyse und -auswertung arbeitet die Doktorandin Vasiliki Sideri-Lampretsa. Die Griechin ist seit 2020 in seiner Gruppe und untersucht Bilddaten aus Magnetresonanz- oder Computertomographie-Bilder (MRT und CT) von zum Beispiel Lungenbewegungen beim Ein- und Ausatmen oder Gehirnen. Ihre Aufgabe ist es, aus dem Vergleich von Bildern zu bestimmten Zeitpunkten und von unterschiedlichen Personen, mit Hilfe von Algorithmen, Abweichungen von der Norm und damit möglicherweise krankheitsbedingte Veränderungen zu erkennen.
Damit eine KI diese großen Datenmengen aus der Klinik nutzen kann, müssen sie je nach Fragestellung und je nach untersuchten Bilddetails unterschiedlich aufbereitet, klassifiziert, sortiert und analysiert werden. Diese Aufgabe übernimmt Vasiliki in ihrer Doktorarbeit. Sie arbeitet eng mit Klinikern und Medizinstudierenden aus dem TUM-Klinikum zusammen, um die Bilder richtig zu verstehen. „Wir können nicht die Arbeit der Ärztinnen und Ärzte übernehmen, aber wir können ihnen helfen, Abweichungen zu erkennen, die sonst unsichtbar wären“, erklärt Vasiliki.
Kürzere Untersuchungszeiten in MRT und CT
Rechenprinzipien von Daniel Rückert und seinem Team finden sich bereits in zahlreichen MRT- und CT- Geräten. Durch diese technischen Veränderungen sind sehr viel weniger Messwerte notwendig, um ein verlässliches Bild der menschlichen Anatomie oder Physiologie zu erzeugen. Patientinnen und Patienten müssen dadurch deutlich kürzer im Scanner liegen, was mehr Untersuchungen möglich macht. „Diese Forschung von uns ist deshalb so erfolgreich, weil sich die behandelnde Person im Alltag nicht mit der Arbeit der KI beschäftigen muss und in ihrem Workflow nicht eingeschränkt wird. Und die Maschine erzeugt ein Bild, auf das sich die Ärztin oder der Arzt wirklich verlassen kann“, erklärt Rückert.
Videoporträt von Vasiliki Sideri-Lampretsa
Der Artikel wurde ebenfalls auf der Webseite "Research in Bavaria" des Bayerischen Staatsministeriums für Wissenschaft und Kunst veröffentlicht:
https://www.research-in-bavaria.de/artificial-intelligence-in-medicine-and-healthcare/
Technische Universität München
Corporate Communications Center
- Dr. Vera Spaett
- vera.spaett@tum.de
- presse@tum.de
- Teamwebsite
