Automatische Übersetzung anzeigen
Dies ist eine automatisch generierte Übersetzung. Wenn Sie auf den englischen Originaltext zugreifen möchten, klicken Sie hier
#Neues aus der Industrie
{{{sourceTextContent.title}}}
Herausforderungen der AI in der Thoraxradiographie
{{{sourceTextContent.subTitle}}}
Ärzte nutzen die von künstlicher Intelligenz (KI) unterstützte Technologie zur schnelleren und früheren Erkennung von Krankheiten. Auf der ECR Overture diskutierte Dr. Steven Schalekamp, PhD, von der Abteilung für medizinische Bildgebung am Radboud University Medical Center (UMC) über aktuelle und zukünftige Anwendungen von KI für die Thorax-Radiographie in der Pädiatrie.
{{{sourceTextContent.description}}}
Bericht: Sascha Keutel
Es gibt mehrere Herausforderungen bei aktuellen KI-Produkten in der Radiologie, so Schalekamp - eine davon ist, dass sie hauptsächlich für die erwachsene Bevölkerung entwickelt werden. Der niederländische Experte ist Teil von "AI for Radiology", einem nicht-kommerziellen Projekt am Radboud UMC, das alle CE-zertifizierten KI-Produkte in der Radiologie sowie unterstützende Literatur und Forschungsstudien zur Bewertung dieser Algorithmen verfolgt.
Bis heute sind 191 KI-Softwarelösungen mit dem CE-Zeichen für die Radiologie in der Datenbank aufgeführt, von denen die meisten für die Neuroradiologie entwickelt wurden (35 Prozent). Die zweitgrößte Gruppe ist die Thoraxradiologie, mit 57 Produkten von 28 Anbietern. Wie Schalekamp anmerkte, wurde jedoch keines dieser Produkte speziell für Kinder entwickelt.
Nur ein Produkt, CAD4TB, das zur automatischen Erkennung von Tuberkulose auf Röntgenbildern des Brustkorbs entwickelt wurde, ist für pädiatrische Patienten geeignet. CAD4TB wurde an Thoraxaufnahmen von Kindern ab vier Jahren trainiert. "Es wird in vielen Ländern mit geringen Ressourcen eingesetzt, in denen nicht viele Radiologen zur Verfügung stehen", sagte er.
Schalekamp wies darauf hin, dass auch in der Forschung große Diskrepanzen zwischen Kindern und Erwachsenen bestehen. Wenn man zum Beispiel die Suchanfrage "artificial intelligence chest" in pubmed.gov eingibt, erhält man 2311 Ergebnisse - im Gegensatz dazu führt "artificial intelligence pediatric chest" nur zu 75 Treffern.
Pädiatrische vs. Erwachsenen-Thorax
Eine weitere große Herausforderung für diese KI-Systeme ist der Unterschied zwischen dem Brustkorb von Erwachsenen und dem von Kindern. Kinder haben einen wachsenden Brustkorb, der sich ständig verändert. So unterscheiden sich beispielsweise die Größe und die Proportionen des Brustkorbs eines Säuglings von denen eines jungen Erwachsenen. Auch bei der Patientenüberwachung und den Inspirationswerten gibt es eine größere Variabilität, so der Radiologe.
Darüber hinaus suchen die Ärzte bei pädiatrischen Patienten im Allgemeinen nach anderen Anomalien als bei Erwachsenen, wie z. B. pädiatrische pulmonale Sequestrationen und angeborene Fehlbildungen der pulmonalen Atemwege. Schalekamp fügte hinzu, dass es nur wenige große pädiatrische Datensätze gibt, was zum Teil darauf zurückzuführen ist, dass bei Kindern aufgrund der Strahlungsrisiken weniger Bildgebung durchgeführt wird.
Der Experte warnte auch davor, dass die Anbieter oft nicht angeben, ob ihr Produkt für pädiatrische Patienten geeignet ist, was Bedenken hinsichtlich einer möglichen Off-Label-Verwendung aufkommen lässt. "Das kann zu einer geringeren Leistung führen, wenn diese Produkte in der pädiatrischen Bevölkerung eingesetzt werden", sagte er.
Um einige dieser Herausforderungen zu überwinden, sollten die Anbieter darauf abzielen, spezifische Systeme für die pädiatrische Bevölkerungsgruppe zu entwickeln". Ein erster Schritt könnte darin bestehen, aktuelle KI-Systeme auf pädiatrische Daten umzutrainieren, um ihre Leistung zu verbessern und sie auch für pädiatrische Daten verfügbar zu machen."
Kommerzielle KI
Die Entwicklung von KI-Produkten für die Thoraxradiographie ist im Wandel begriffen, wie Schalekamp betont. "Vor ein paar Jahren waren die meisten Produkte nur in der Lage, eine oder zwei Anomalien zu erkennen, hauptsächlich Lungenkrebs oder Pneumothorax. Heute konzentrieren sich die Produkte auf mehrere Anomalien und versuchen, das gesamte Bild zu beurteilen. Es gibt sogar Produkte, die behaupten, bis zu 124 Anomalien erkennen zu können", so der Experte.
Die Anbieter präsentieren ihre Ergebnisse auf unterschiedliche Weise, z. B. mit Heatmaps, indem sie Kreise um verdächtige Bereiche ziehen oder Abnormitätswerte für ein Bild angeben. "In der Literatur sehen wir, dass die Produkte immer besser werden", sagte er.
Mögliche Anwendungen von AI
Neben CAD4TB werden auch andere pädiatrische Produkte entwickelt. "In naher Zukunft können wir einige Produkte zur Erkennung von Lungenentzündungen bei Kindern, aber auch zur Erkennung von Lungenmetastasen erwarten", so Schalekamp. "Forscher in Südafrika haben CAD4Kids entwickelt, einen Algorithmus zur Erkennung von Lungenentzündungen, die bei Säuglingen weltweit immer noch eine hohe Sterblichkeitsrate aufweisen. Der Algorithmus wurde anhand eines Datensatzes von Röntgenbildern der Brust von Kindern unter fünf Jahren trainiert. Das System erreichte eine angemessene Sensitivität (76 Prozent) und Spezifität (80 Prozent), aber die Analyse ergab, dass das System einem Referenzbeobachter immer noch unterlegen war, so der Experte.
Eine internationale Gruppe unter der Leitung von Merck-Wissenschaftlern verwendete einen Datensatz der Weltgesundheitsorganisation mit Röntgenbildern von 431 Kindern, um einen KI-Algorithmus zur Erkennung schwerer Lungenentzündungen bei Kindern zu entwickeln. Schalekamp sagte, dass der Algorithmus eine beeindruckende Fläche unter der Kurve (AUC) von 0,977 erreichte und innerhalb des Bereichs der Interobserver-Zuverlässigkeit der Referenzbeobachter in der Studie lag.
Auch zur Erkennung und Verfolgung der Bronchopathie (Mukoviszidose) gibt es zahlreiche Forschungsarbeiten. Forscher der Universität Bordeaux und der Universität Cincinnati in Ohio haben einen KI-Algorithmus entwickelt, der bei der Beurteilung von Mukoviszidose auf CT-Bildern bei Kindern helfen soll, und zwar auf der Grundlage eines Datensatzes von Bildern von Patienten im Alter zwischen vier und 54 Jahren. "Sie konnten zeigen, dass behandelte Patienten bei Folge-CTs geringere Mengen bestimmter Biomarker aufwiesen, was von diesem KI-System leicht erkannt wurde", so Schalekamp.
Eine weitere interessante Anwendung wäre für ihn die Beurteilung von Röntgenbildern von Neugeborenen, die Einstufung des idiopathischen respiratorischen Stresssyndroms (IRDS) bei Frühgeborenen und die Erkennung von Linien und Schläuchen in Röntgenbildern.
Schalekamp kam zu dem Schluss, dass die künstliche Intelligenz in der Thoraxradiologie gut entwickelt ist, dass es aber keine spezifischen Anwendungen für die pädiatrische Bevölkerung gibt und dass "mehr Forschung und Daten erforderlich sind"
Weitere Informationen über den Leitfaden "AI for Radology" finden Sie hier.
Profil:
Dr. Steven Schalekamp, PhD, von der Abteilung für medizinische Bildgebung am Radboud University Medical Center (UMC) in Nijmegen, Niederlande.