Deep Learning zur Differenzialdiagnose bei Hautkrankheiten

Schätzungsweise 1,9 Milliarden Menschen weltweit leiden an einer Hauterkrankung. Allein in den Vereinigten Staaten leiden bis zu 37% der in der Klinik behandelten Patienten an mindestens einer Hauterkrankung, und mehr als die Hälfte dieser Patienten wird von Nicht-Dermatologen begutachtet.  Studien zeigen jedoch eine signifikante Lücke in der Genauigkeit der Hautzustandsdiagnosen zwischen Allgemeinmedizinern und Dermatologen, wobei die Genauigkeit von Allgemeinmedizinern zwischen 24% und 70% liegt, verglichen mit 77-96% bei Dermatologen. Dies kann zu suboptimalen Überweisungen, Verzögerungen bei der Pflege und Fehlern bei Diagnose und Behandlung führen.

Bestehende Strategien für Nicht-Dermatologen zur Verbesserung der diagnostischen Genauigkeit umfassen die Verwendung von Referenzlehrbüchern, Online-Ressourcen und die Konsultation eines Kollegen. Es wurden auch maschinelle Lernwerkzeuge entwickelt, um die diagnostische Genauigkeit zu verbessern. Frühere Forschungen konzentrierten sich weitgehend auf die Früherkennung von Hautkrebs, insbesondere darauf, ob eine Läsion bösartig oder gutartig ist oder ob es sich bei einer Läsion um ein Melanom handelt. 90% der Hautprobleme sind jedoch nicht bösartig.

Es wurde nun ein Deep Learning System (DLS) entwickelt, um die häufigsten Hauterkrankungen in der Primärversorgung zu behandeln. Die Ergebnisse zeigten, dass ein DLS bei 26 Hautzuständen eine Genauigkeit erzielen kann, die mit den von US-amerikanischen Behörden zertifizierten Dermatologen vergleichbar ist, wenn identische Informationen zu einem Patientenfall (Bilder und Metadaten) vorliegen. Diese Studie hebt das Potenzial des DLS hervor, die Fähigkeit von Allgemeinärzten, die keine zusätzliche Spezialausbildung hatten, zur genauen Diagnose von Hautzuständen zu steigern.

Quelle: Google AI Blog vom 12.08.2019 (gekürzt, redigiert)

https://ai.googleblog.com/2019/09/using-deep-learning-to-inform.html

Künstliche Intelligenz in der Medizin – Definitionen

Bereits in der letzten Woche war die künstliche Intelligenz (KI) ein Thema unseres Blogs, seinerzeit am Beispiel des „Assistenzarztes“ Xiaoyi. Die KI ist aktuell eines der Topthemen jedweder informationstechnologischen Gattung. Die EU-Kommission forderte unlängst öffentliche und private Investitionen von 20 Mrd. Euro bis 2020 in die künstliche Intelligenz und wird ihre Forschungsmittel ebenfalls aufstocken. Dies geschieht, um bei Forschung und Anwendungsentwicklung im Spiel zu bleiben – und das Zukunftsfeld nicht völlig den USA und China zu überlassen.

Das Beschlussprotokoll des diesjährigen Ärztetages liest sich im Zusammenhang mit der Digitalisierung in der Medizin wie folgt: „Beispiele für Themenfelder sind die rasch voranschreitenden Entwicklungen im Bereich der künstlichen Intelligenz (KI) und des sogenannten Machine Learning, die permanente Sammlung eigener medizinischer Daten durch Gesunde und Patientinnen und Patienten (Self-Tracking) oder veränderte Methoden des Erkenntnisgewinns durch die Analyse riesiger Datenmengen aus der Regelversorgung (Big Data).“

Die KI – ein Thema, das uns nicht nur in diesem Blog zukünftig begleiten wird. Heute möchten wir zunächst einige Grundbegriffe klären, bevor wir uns in unregelmäßigen Abständen immer wieder der KI annehmen werden.

Machine Learning. Künstliche Systeme lernen aus Beispielen und können nach einer sogenannten Trainingsphase diese nachfolgend verallgemeinern. Es wird also nicht „auswendig gelernt“, sondern es werden in den Datensätzen Muster und Regelmäßigkeiten erkannt – also Generierung von Wissen aus Erfahrung. Mithilfe von selbstlernenden Algorithmen erfolgt die praktische Umsetzung. Mögliche Anwendung in der Medizin: automatisierte Diagnoseverfahren.
Deep Learning. Ein Teilbereich des Machine Learning. Nutzt künstliche neuronale Netze, d.h. das menschliche Gehirn dient als Vorbild. Diese neuronalen Netze bestehen aus einer Eingangsschicht, einer Ausgangsschicht und mehreren verdeckten Schichten. Das Wissen des neuronalen Netzes wird in den Verbindungen zwischen den Neuronen gespeichert. Das vorhandene Wissen kann repetitiv mit weiteren Inhalten optimiert werden, das System lernt. Letztlich ist die Maschine in der Lage Entscheidungen zu treffen – dies bedingt nicht nur in der Medizin eine ethische Diskussion.