mini|Röntgenaufnahme einer Hand mit automatischer Ermittlung der Skelettreife durch Software mithilfe künstlicher Intelligenz

Künstliche Intelligenz in der Medizin ist ein stark wachsender Teilbereich der künstlichen Intelligenz (KI), bei dem digital vorliegende Informationen ausgewertet werden, um möglichst aussagekräftige Diagnosen zu stellen und bzw. oder optimierte Therapien vorzuschlagen. KI in der Medizin ist neben Vernetzung und Medizinische Robotik als dritte große Säule der Digitalen Medizin anzusehen.

Diagnostik

Computer Vision für bildgebende Diagnostik Künstliche Intelligenz spielt eine Rolle in der bildgebenden Diagnostik. Die Auswertung von Bilddateien mit statistischen und lernenden Methoden wird auch unter dem Fachbereich Radiomics zusammengefasst. Dabei erhalten Ärzte durch Entscheidungsunterstützungssysteme zusätzliche Informationen. Durch den Einsatz dieser Methoden ist es beispielsweise möglich, den Typ von Krebszellen genauer zu bestimmen, da die Unterscheidungsmerkmale oft schwer und individuell verschieden mit dem menschlichen Auge zu erkennen sind. Dies ist im Rahmen der Präzisionsmedizin wichtig, um eine zielgerichtete Therapie vorzuschlagen. Je nach Typ des Karzinoms sind teils unterschiedliche Therapien notwendig oder sinnvoll. Eingesetzt wird Radiomics etwa zur Klassifizierung von Tumoren unter anderem in Lunge, Brust, Gehirn und Haut.

Dermatologie In der Dermatologie beruhen Hoffnungen auf der Künstlichen Intelligenz, da die Erkennung von Hautkrebs insbesondere des Malignen Melanoms (MM) durch Screening der Bevölkerung zu keinem Rückgang der Sterblichkeit geführt hat. So hat eine Expertenkommission 2026 für Deutschland ein Screening nur noch dann als Kassenleistung empfohlen, wenn eine Risikopopulation ins Visier genommen wird. Ein Standardverfahren zur Diagnostik des MM ist die Dermatoskopie, ein auf die Haut über Immersionsöl aufgesetztes Mikroskop. Mit dem Aufkommens des Maschinellen Lernens sind zahlreiche randomisierte Studien erschienen, welche die Richtigkeit von Diagnosen des MM von Hausärzten bzw. Fachärzten mit denen der Künstlichen Intelligenz verglich.

Vor 2020 fanden mehrere solcher Studien, dass Künstliche Intelligenz den Hautkrebs zuverlässiger als Dermatologen erkennen konnte. Erst ein Übersichtsartikel unter Federführung des DKFZ Heidelberg aus dem Jahr 2021 ergab, dass in den meisten Studien keine externen Testdatensätze verwendet wurden. Es wurden nur vier Untersuchungen gefunden, in denen die KI-Algorithmen an Kliniken, Regionen oder Bevölkerungsgruppen getestet wurden (auch solche mit dunkler Hautfarbe), die sich von denen unterschieden, auf denen sie trainiert worden waren, und in jeder dieser vier Studien erwies sich die Leistung der Dermatologen als gleichwertig mit der des Algorithmus.

Zwischen 2020 und 2025 haben sowohl die Bestrahlungsmethodik mit Licht als auch die Datenaufbereitung mit Künstlicher Intelligenz, beginnend mit Convolutional Neural Network hin zu selbstlernenden Foundation Models Verbesserungen erbracht.

Vergleichende Untersuchungen bis 2025 erbrachten keine bedeutsamen Unterschiede bezüglich Sensitivität und Spezifität zwischen Mensch und Maschine.

Walton und Mitarbeiter beschäftigten sich in einer Metaanalyse u. a. mit der Frage, ob vom Hausarzt generierte und eingesandte, qualifizierte makroskopische und dermatoskopische Fotos, welche anschließend von einer KI analysiert werden, zu ökonomischen Einsparungen führen würden. Bezüglich des in Großbritannien entwickelten Smartphone-basierten Systems Deep Ensemble for Recognition of Malignancy (DERM) schätzten sie, bezogen auf das britische Gesundheitssystem, dass die Hälfte der Patienten sich den Weg zu Facharzt sparen könnten und trotzdem noch 95 % aller Hautkrebsfälle richtig erkannt würden.

Gastroenterologie Die Darmspiegelung gilt als die sicherste Methode, um bösartige Tumore in Mast- und Dickdarm frühzeitig zu erkennen. Jährlich erkranken etwa 61.000 Menschen in Deutschland an Darmkrebs. Bei einer Darmspiegelung entfernt der Arzt alle verdächtigen Wucherungen, sog. Polypen, egal ob die Wucherung gut- oder bösartig ist. Ob es sich um eine mögliche Darmkrebs-Vorstufe (sog. Adenom) oder gar ein – noch sehr kleines – Karzinom handelt, kann erst später im Labor festgestellt werden. Im Herbst 2018 setzten japanische Gastroenterologen in einem klinischen Test eine KI ein, die auf die Erkennung von bösartigen Tumoren im Darm trainiert wurde. Die Trefferrate lag bei 93 %. Dabei werden Bilder aus dem Darm in 500-facher Vergrößerung an eine KI übermittelt, die dann innerhalb einer Sekunde erkennen kann, ob es sich bei dem Polyp um einen gut- oder bösartigen Tumor handelt. Der Arzt erhält dann eine Rückmeldung über einen Ton oder über einen Hinweis auf dem Bildschirm. Die KI soll weiter trainiert werden, um die Erkennungsrate noch zu verbessern. Dann könnte die KI in den Routinebetrieb gehen.DARMKREBSVORSTUFEN MIT KÜNSTLICHER INTELLIGENZ ERKENNEN internisten-im-netz.de vom 8. Oktober 2018

Neurologie Wissenschaftler an der University of California in San Francisco haben im Herbst 2018 eine Pilotstudie mit tiefen, künstlichen neuronalen Netzen im Journal Radiology vorgestellt, die anhand von Gehirnscans eine Alzheimererkrankung im Schnitt sechs Jahre vor der finalen Diagnose erkennen können. Häufig werde Alzheimer von Ärzten erst dann diagnostiziert, wenn sich die ersten Symptome zeigen. Selbst erfahrenen Ärzten fällt es schwer, die bei Frühstadien auftretenden, kleinen Veränderungen im Gehirn zu erkennen und richtig einzuordnen. Deshalb könne die KI-gestützte Erkennung einen wichtigen Beitrag zur Früherkennung und damit zur Behandlung leisten. Das Netz erreichte eine Sensitivität von 100 %, bei einer Richtig-negativ-Rate von 82 %. Weitere Untersuchungen sollen folgen, um die Ergebnisse zu verifizieren.

Ophthalmologie In der Augenheilkunde konnte für KI-basierte Ansätze eine Überlegenheit gegenüber Fachspezialisten für verschiedene klinisch-relevante Aufgaben nachgewiesen werden. Dies umfasst unter anderem das Erkennen von Diagnosen anhand von Netzhaut-Bildgebung, die Berechnung der idealen Linsenstärke vor Grauer-Star-Operation, sowie das Erkennen von systemischen Risikofaktoren (bspw. Blutdruck) anhand von ophthalmologischen Bildaufnahmen. Im Direktvergleich zwischen Deep Learning und 13 menschlichen Spezialisten wurden 25.326 Fundus-Fotografien (Fotos des Augenhintergrundes) von Diabetikern einer diagnostischen Bewertung der diabetischen Retinopathie unterzogen. Die Sensitivität des Neuronalen Netzwerks lag bei 0,97 (0,74 bei den Spezialisten) und die Spezifität bei 0,96 (0,98).Ruamviboonsuk, P., Krause, J., Chotcomwongse, P. et al. Deep learning versus human graders for classifying diabetic retinopathy severity in a nationwide screening program. npj Digit. Med. 2, 25 (2019). doi:10.1038/s41746-019-0099-8 Das Projekt wurde als Nachweis herausragender menschlicher Leistungen in dem AI Index Report 2019 als Meilenstein gewürdigt. 2021 zeigten sich in einer herstellerunabhängigen, vergleichenden Bewertung von Algorithmen in den USA (head-to-head) an Real-World-Daten von 310.000 Fundus-Fotografien zum Screening auf eine diabetische Retinopathie erhebliche Unterschiede, sowohl bei der Sensitivität (51–86 %) als auch der Spezifität. Menschliche Augenspezialisten traten gegen insgesamt 7 Algorithmen an, welche bereits in mehreren Ländern in Gebrauch waren, wobei einer eine FDA-Zulassung und mehrere eine CE-Kennzeichnung hatten.A. Y. Lee et al.: Multicenter, Head-to-Head, Real-World Validation Study of Seven Automated Artificial Intelligence Diabetic Retinopathy Screening Systems. In: Diabetes Care 2021; 44: S. 1168–1175, doi:10.2337/dc20-1877

Interessanterweise konnte gezeigt werden, dass sich sogar das Geschlecht anhand von Farbfundus-Fotos mittels KI identifizieren lässt. Dies galt unter Fachspezialisten zuvor als unmöglich. Folgearbeiten konnten zeigen, dass KI-Anwendungen das Geschlecht an subtilen Unterschieden des Verlaufs der Gefäße erkennen können.

Genetik Künstliche Intelligenz wird mittlerweile auch eingesetzt, um beispielsweise genetisch bedingte und seltene Knochenerkrankungen schneller zu erkennen. Dabei wird die KI auf charakteristische Bildmuster verschiedener Skelettdysplasien trainiert. Durch die vielfältige Ausprägung verschiedener Muster im Skelett, die in der Diagnose identifiziert werden müssen, ist es selbst für erfahrene Kliniker schwer, eine eindeutige Diagnose auszusprechen, so dass es dadurch oft zu einer langen Wartezeit von mehreren Jahren für Patienten sowie zu Fehldiagnosen kommt.

Kardiologie In der Kardiologie sind Algorithmen in Gebrauch, die Langzeit-EKGs für einen Arzt auswerten und wichtige Rhythmusstörungen binnen Sekunden finden und auflisten. Für den medizinischen Laien gibt es niederschwellige mobile Anwendungen mit Algorithmen („Smart Apps“), welche die Pulsfrequenz mittels Photoplethysmographie messen können (ähnlich der Pulsoxymetrie). Hier sind Arrhythmien, besonders Vorhofflimmern, bedeutsam, weil damit das Schlaganfallrisiko steigt.Zippel-Schultz et al. Künstliche Intelligenz in der Kardiologie, Herzschr Elektrophys 2021 · 32:89–98 doi.org/10.1007/s00399-020-00735-2

Radiologie Brustkrebs-Screening Die Auswertung der Röntgenbilder durch Radiologen ist eine monotone, langwierige, ermüdende und fehleranfällige Arbeit. Eine solche Untersuchung ist in Deutschland, in Österreich und teilweise in der Schweiz für Frauen ab 45 alle zwei Jahre Standard. Falsch-positive Ergebnisse führen zu unnötigen Biopsien, falsch-negative Resultate übersehen einen Brustkrebs im Frühstadium, in welchem noch eine Heilung möglich wäre. Bei zweijährlichen Untersuchungen fallen insbesondere die Falsch-Positiven ins Gewicht, die auf 50 % geschätzt werden und eine unnötige psychologische Belastung für die Patientin darstellen, insbesondere, wenn sich hinterher histologisch ein gutartiger Befund ergibt. Beim Brustkrebs-Screening erbrachte die reine Computer-assisted Detektion (ohne KI) keine Verbesserung der Erkennungsraten (gegenüber dem Auge von Experten) bei hohen falsch positiven Werten. Durch die Digitalisierung in der Radiologie (PACS) liegen mittlerweile sehr viele Aufnahmen in Datenbanken, welche ein maschinelles Lernen (ML) ermöglicht haben.

Mehrere Projekte zeigen, dass es bei KI nicht immer darum geht, ob die Maschine besser ist als der Mensch, sondern

dass der Arbeitsaufwand für die Befundung durch Ärzte reduziert werden kann. dass einfache Fälle von komplexen Fällen unterschieden werden können, welche dann ein Radiologen-Team gezielt manuell befundet. ob bei Doppelbefundung (Qualitätsstandard in Deutschland und Österreich alle zwei Jahre), der „zweite Befunder“ durch eine KI ersetzt werden kann. durch Echtzeit-KI-Detektion die Raten von Falsch-Positiven gesenkt werden kann.

In den USA bis 2024 sechs Systeme (mit personeller Assistenz) von der FDA zertifiziert wurden, brachten bessere Ergebnisse bzgl. Sensitivität, ohne die Spezifität zu kompromittieren. In der schwedischen MASAI-Studie, bei der 6 Karzinome pro 1000 Bilder mit Hilfe von KI gefunden wurden (ohne KI 5/1000), fiel der Arbeitsaufwand um 40 % durch KI. Wird eine Doppelbegutachtung jedes Mammogramms vorgeschrieben, so kann das Künstliche Intelligenz dabei eine Rolle übernehmen.

Pflege