In letzter Zeit haben die Fortschritte im Bereich künstlicher Intelligenz (englisch: Artificial Intelligence, AI) stetig zugenommen. Die exponentiell wachsende Rechenleistung moderner Computersysteme vereinfacht die Verarbeitung immenser Datensätze. Hierdurch ist die Bewältigung von Aufgaben möglich, die wir aufgrund ihrer Komplexität klassischerweise mit menschlicher Intelligenz assoziieren. Es werden verschiedene Formen und Grade künstlicher Intelligenz unterschieden. Jedoch sind damit meist Systeme gemeint, die sich durch die Analyse von großen Datenmengen stetig weiterentwickeln. Dadurch werden vorgegebene Aufgaben mit zunehmender Präzision erledigt.
Die potentiellen Anwendungsgebiete von AI sind endlos und reichen von der automatischen Erkennung von Katzenfotos bis zur Entwicklung autonom fahrender Autos. Man vermutet deshalb, dass AI in Zukunft viele Berufsfelder revolutionieren und sogar ganze Berufsgruppen ersetzen könnte.
In der Vergangenheit haben wir bei Diagnosia Insights schon darüber berichtet, welches Potential die fortschreitende Digitalisierung für die ÄrztInnen der Zukunft bereithält. Auch in der Medizin werden dementsprechend künstlich intelligente Systeme zunehmend an Bedeutung gewinnen.
Die Entwicklung solcher Algorithmen ist stark von digital verfügbaren Daten abhängig. Dadurch erscheint die Radiologie prädestiniert dafür, in Zukunft von Programmen ersetzt zu werden, die eine automatische Bilddiagnostik ermöglichen. Der Wissenschaftler Geoffrey Hinton, ein Vorreiter im Bereich künstlicher neuronaler Netzwerke, sorgte 2016 für Aufsehen. Er postulierte, dass wir aufhören sollten, Radiologen auszubilden, da diese in fünf bis zehn Jahren nicht mit den Fähigkeiten einer AI mithalten könnten.
Erste Studien zeigen vielversprechende Ergebnisse. Zuletzt füllten Rajpurkar et al. 2017 ein neuronales Netzwerk mit mehr als 100.000 Cor-Pulmo-Röntgen in einer Ebene. Dieses Netzwerk konnte danach Zeichen einer Pneumonie sogar besser erkennen als die Radiologen in der Kontrollgruppe, zumindest wenn klinische Daten nicht zur Verfügung standen. Andere Beispiele finden sich in der automatischen Klassifikation suspekter Strukturen im Lungen-CT sowie in Screening-Mammografien.
Macht AI die Radiologie also irgendwann überflüssig?
Das Klischee des Radiologen, der sich in einem dunklen Raum Bilder ansieht und deshalb leicht durch eine bessere und automatische Diagnostik abgelöst werden könnte, wird dem großen Aufgabenbereich der Radiologie nicht gerecht. Die Indikationsstellung, die technische Expertise für die Bilderstellung, die Einbeziehung klinischer Hinweise in die Interpretation bildgebender Verfahren, die Dokumentation der Befunde sowie nicht zuletzt die interdisziplinäre Kommunikation und Beratung von Kollegen bezüglich weiterer Therapieschritte bilden einen Arbeitsablauf, in der die Bildanalyse nur einen Arbeitsschritt darstellt. Darüber hinaus zeigen die Sonografie sowie das große Spektrum der interventionellen Radiologie weitere Facetten des Berufes auf, die ungleich schwerer auf gut ausgebildete RadiologInnen verzichten können.
Demzufolge wird die Integration künstlicher Intelligenz in die Radiologie in Zukunft wohl eine wichtige Hilfestellung sein. Für den Erfolg dieser Netzwerke werden unsere KollegInnen aus der Radiologie jedenfalls unabkömmlich sein. Besonders, wenn es um die Erstellung valider Datensätze und die Kontrolle computergenerierter Befunde geht.
Wir bei Diagnosia finden es spannend, wie das Aufkommen neuartiger Technologien die Medizin verändern und verbessern kann. Wir verfolgen diese Entwicklungen daher mit großem Interesse.
Quellen:
1. Lee JG, Jun S, Cho YW, Lee H, Kim GB, Seo JB, et al. Deep Learning in Medical Imaging: General Overview. Korean J Radiol. 2017;18(4):570-84.
2. Rajpurkar P, Irvin J, Zhu K, Yang B, Mehta H, Duan T, et al. CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning. eprint arXiv: 171105225. 2017.
3. Kallenberg M, Petersen K, Nielsen M, Ng AY, Pengfei D, Igel C, et al. Unsupervised Deep Learning Applied to Breast Density Segmentation and Mammographic Risk Scoring. IEEE Trans Med Imaging. 2016;35(5):1322-31.
4. Hua KL, Hsu CH, Hidayati SC, Cheng WH, Chen YJ. Computer-aided classification of lung nodules on computed tomography images via deep learning technique. Onco Targets Ther. 2015;8:2015-22.
5. Davenport TH, Dreyer KJ. AI Will Change Radiology, but It Won’t Replace Radiologists 2018
6. Harvey H. Why AI will not replace radiologists 2018
