Jüngste Studien haben die Fähigkeit von Systemen der künstlichen Intelligenz gezeigt, wichtige Krankheiten medizinisch zu diagnostizieren
Systeme der künstlichen Intelligenz (KI) gibt es schon seit geraumer Zeit und werden mit der Zeit immer schlauer und besser. KI hat Anwendungen in vielen Bereichen und ist heute in den meisten Bereichen nicht mehr wegzudenken. KI kann ein wesentlicher und nützlicher Bestandteil von . sein sowie medizinische Wissenschaft und Forschung, da sie ein immenses Potenzial hat, die Gesundheitsbranche zu beeinflussen.
Künstliche Intelligenz in der medizinischen Diagnostik?
Zeit ist die wertvollste Ressource im Gesundheitswesen und eine frühzeitige, angemessene Diagnose ist für den endgültigen Ausgang einer Krankheit sehr wichtig. Die Gesundheitsversorgung ist oft ein langwieriger und zeit- und ressourcenintensiver Prozess, der eine wirksame Diagnose und damit auch die richtige Behandlung verzögert. AI kann dazu beitragen, die Lücke zwischen Verfügbarkeit und Zeitmanagement von Ärzten zu schließen, indem es Geschwindigkeit und Genauigkeit in die Diagnose von Patienten einbezieht. Es könnte dazu beitragen, die Ressourcen- und Fachkräfteengpässe im Gesundheitswesen zu überwinden, insbesondere in Ländern mit niedrigem und mittlerem Einkommen. KI ist ein Prozess des Lernens und Denkens, genau wie Menschen, durch ein Konzept namens Deep Learning. Deep Learning nutzt umfangreiche Beispieldatensätze, um selbst Entscheidungsbäume zu erstellen. Mit diesem Deep Learning kann ein KI-System tatsächlich genauso denken wie Menschen, wenn nicht sogar besser, und daher könnte KI als geeignet für die Ausführung medizinischer Aufgaben angesehen werden. Bei der Diagnose von Patienten suchen KI-Systeme ständig nach Mustern bei Patienten mit denselben Krankheiten. Im Laufe der Zeit können diese Muster eine Grundlage für die Vorhersage von Krankheiten bilden, bevor sie sich manifestieren.
In einer aktuellen Studie1 veröffentlicht Zelle, haben Forscher verwendet künstlich Intelligenz und maschinelle Lerntechniken zur Entwicklung eines neuen Computertools zum Screening von Patienten mit häufigen, aber erblindenden Netzhauterkrankungen, wodurch Diagnosen und Behandlungen möglicherweise beschleunigt werden. Die Forscher verwendeten ein KI-basiertes neuronales Netzwerk, um mehr als 200,000 Augenscans zu überprüfen, die mit einer nicht-invasiven Technologie durchgeführt wurden, die Licht von der Netzhaut reflektiert, um 2D- und 3D-Darstellungen von Gewebe zu erstellen. Anschließend wandten sie eine Technik namens „Transfer-Lernen“ an, bei der das bei der Lösung eines Problems gewonnene Wissen von einem Computer gespeichert und auf verschiedene, aber verwandte Probleme angewendet wird. So kann beispielsweise ein neuronales KI-Netz, das auf die Erkennung diskreter anatomischer Strukturen des Auges wie Netzhaut, Hornhaut oder Sehnerv optimiert ist, diese bei der Untersuchung von Bildern eines ganzen Auges schneller und effizienter erkennen und auswerten. Dieser Prozess ermöglicht es dem KI-System, schrittweise mit einem viel kleineren Datensatz zu lernen als herkömmliche Methoden, die große Datensätze erfordern, was sie teuer und zeitaufwändig macht.
Die Studie konzentrierte sich auf zwei häufige Ursachen für irreversible Blindheit, die bei frühzeitiger Erkennung behandelbar sind. Maschinell erstellte Diagnosen wurden mit Diagnosen von fünf Augenärzten verglichen, die dieselben Scans überprüften. Neben der Erstellung einer medizinischen Diagnose generierte die KI-Plattform auch eine Überweisung und eine Behandlungsempfehlung, was in keiner früheren Studie der Fall war. Dieses trainierte KI-System verhielt sich wie ein gut ausgebildeter Augenarzt und konnte innerhalb von 30 Sekunden mit einer Genauigkeit von über 95 Prozent eine Entscheidung darüber treffen, ob der Patient zur Behandlung überwiesen werden sollte oder nicht. Sie testeten das KI-Tool auch bei der Diagnose von Lungenentzündung im Kindesalter, einer weltweit häufigsten Todesursache bei Kindern (unter 5 Jahren), basierend auf maschinellen Analysen von Röntgenaufnahmen des Brustkorbs. Interessanterweise konnte das Computerprogramm mit einer Genauigkeit von mehr als 90 Prozent zwischen viraler und bakterieller Lungenentzündung unterscheiden. Dies ist von entscheidender Bedeutung, denn obwohl eine virale Lungenentzündung vom Körper nach ihrem Verlauf auf natürliche Weise ausgeschieden wird, stellt eine bakterielle Lungenentzündung andererseits tendenziell eine ernstere Gesundheitsgefahr dar und erfordert eine sofortige Behandlung mit Antibiotika.
In einem weiteren großen Sprung2 In Systemen der künstlichen Intelligenz für die medizinische Diagnose fanden Wissenschaftler heraus, dass Fotografien der Netzhaut eines Individuums durch maschinelle Lernalgorithmen oder Software analysiert werden können, um das kardiovaskuläre Herzrisiko vorherzusagen, indem Signale identifiziert werden, die auf eine Herzerkrankung hinweisen. Der Zustand der Blutgefäße im Auge, der in den Fotos erfasst wird, hat gezeigt, dass er Alter, Geschlecht, ethnische Zugehörigkeit, Blutdruck, frühere Herzinfarkte und Rauchgewohnheiten genau vorhersagen kann und alle diese Faktoren zusammenfassend herzbedingte Erkrankungen einer Person vorhersagen.
Das Auge als Informationsblock
Die Idee, sich die Fotos des Auges anzusehen, um die Gesundheit zu diagnostizieren, gibt es schon seit einiger Zeit. Es ist allgemein bekannt, dass die hintere Innenwand des menschlichen Auges viele Blutgefäße hat, die die allgemeine Gesundheit des Körpers widerspiegeln. Durch das Studium und die Analyse des Aussehens dieser Blutgefäße mit einer Kamera und einem Mikroskop können viele Informationen über den Blutdruck, das Alter, Raucher oder Nichtraucher usw. einer Person vorhergesagt werden, und dies sind alles wichtige Indikatoren für die Gesundheit des Herzens einer Person . Herz-Kreislauf-Erkrankungen (CVD) sind weltweit die häufigste Todesursache und mehr Menschen sterben an CVDs als an jeder anderen Krankheit oder Erkrankung. Dies ist vor allem in Ländern mit niedrigem und mittlerem Einkommen verbreitet und stellt eine enorme Belastung für Wirtschaft und Menschheit dar. Das kardiovaskuläre Risiko hängt von einer Vielzahl von Faktoren wie Genen, Alter, ethnischer Zugehörigkeit, Geschlecht, in Kombination mit Bewegung und Ernährung ab. Die meisten Herz-Kreislauf-Erkrankungen können verhindert werden, indem Verhaltensrisiken wie Tabakkonsum, Fettleibigkeit, Bewegungsmangel und ungesunde Ernährung durch erhebliche Änderungen des Lebensstils angegangen werden, um die möglichen Risiken zu bekämpfen.
Gesundheitsdiagnostik mit Netzhautbildern
Diese Studie, die von Forschern von Google und dem eigenen Gesundheitstechnologieunternehmen Verily Life Sciences durchgeführt wurde, zeigte, dass ein Algorithmus der künstlichen Intelligenz bei einem großen Datensatz von Netzhautfotos von rund 280,000 Patienten verwendet wurde und dieser Algorithmus in der Lage war, Herzrisikofaktoren in zwei Fällen vollständig vorherzusagen unabhängige Datensätze von etwa 12000 und 1000 Patienten mit einigermaßen guter Genauigkeit. Der Algorithmus verwendete das gesamte Foto der Netzhaut, um den Zusammenhang zwischen dem Bild und dem Herzinfarktrisiko zu quantifizieren. Dieser Algorithmus konnte in 70 Prozent der Fälle ein kardiovaskuläres Ereignis bei einem Patienten vorhersagen, und tatsächlich waren in diesem Test auch in 71 Prozent der Fälle ein Raucher und ein Nichtraucher unterscheidbar. Der Algorithmus könnte auch hohen Blutdruck vorhersagen, der auf eine Herzerkrankung hinweist, und den systolischen Blutdruck – den Druck in den Gefäßen, wenn das Herz schlägt – innerhalb eines Bereichs der meisten Patienten mit oder ohne Bluthochdruck vorhersagen. Die Genauigkeit dieser Vorhersage ist den Autoren zufolge sehr ähnlich wie bei einem Herz-Kreislauf-Check im Labor, bei dem dem Patienten Blut abgenommen wird, um den Cholesterinspiegel parallel zur Krankengeschichte des Patienten zu messen. Der Algorithmus in dieser Studie, veröffentlicht in Natur Biomedizintechnik, könnte höchstwahrscheinlich auch das Auftreten eines schwerwiegenden kardiovaskulären Ereignisses vorhersagen - zB eines Herzinfarkts.
Ein äußerst interessanter und entscheidender Aspekt dieser Studien war, dass der Computer erkennen kann, wohin er in einem Bild schaut, um zu einer Diagnose zu gelangen, was es uns ermöglicht, den Vorhersageprozess zu verstehen. Die Studie von Google zeigte beispielsweise genau, „welche Teile der Netzhaut“ zum Vorhersagealgorithmus beigetragen haben, also wie der Algorithmus die Vorhersage traf. Dieses Verständnis ist nicht nur wichtig, um die Methode des maschinellen Lernens in diesem speziellen Fall zu verstehen, sondern auch, um Vertrauen und Vertrauen in diese gesamte Methodik zu erzeugen, indem sie transparent gemacht wird.
Herausforderungen
Solche medizinischen Bilder bringen ihre Herausforderungen mit sich, da das Beobachten und anschließende Quantifizieren von Assoziationen auf der Grundlage solcher Bilder hauptsächlich wegen mehrerer Merkmale, Farben, Werte, Formen usw. in diesen Bildern nicht einfach ist. Diese Studie verwendet Deep Learning, um die Verbindungen, Assoziationen und Beziehungen zwischen Veränderungen in der menschlichen Anatomie (innere Morphologie des Körpers) und Krankheiten auf die gleiche Weise aufzuzeigen, wie es ein Arzt tun würde, wenn er oder sie die Symptome eines Patienten mit einer Krankheit korreliert. . Diese Algorithmen erfordern mehr Tests, bevor sie in einer klinischen Umgebung verwendet werden können.
Trotz Diskussionen und Herausforderungen hat KI ein enormes Potenzial, die Diagnose und das Management von Krankheiten zu revolutionieren, indem sie Analysen und Klassifikationen mit immensen Datenmengen durchführt, die für menschliche Experten schwierig sind. Es bietet schnelle, kostengünstige, nicht-invasive alternative bildbasierte Diagnosetools. Die wichtigen Erfolgsfaktoren von KI-Systemen wären eine höhere Rechenleistung und mehr Erfahrung der Menschen. In einer wahrscheinlichen Zukunft könnten neue medizinische Erkenntnisse und Diagnosen mit KI ohne menschliche Anleitung oder Aufsicht erreicht werden.
***
{Sie können das ursprüngliche Forschungspapier lesen, indem Sie auf den unten angegebenen DOI-Link in der Liste der zitierten Quellen klicken}
Quelle (n)
1. Kermany DS et al. 2018. Identifizierung medizinischer Diagnosen und behandelbarer Krankheiten durch bildbasiertes Deep Learning. Zelle. 172(5). https://doi.org/10.1016/j.cell.2018.02.010
2. Popeline R et al. 2018. Vorhersage von kardiovaskulären Risikofaktoren aus Netzhautfundusfotos mittels Deep Learning. Natur Biomedizinische Technik. 2. https://doi.org/10.1038/s41551-018-0195-0
