Künstliche Intelligenz in der Gesundheitsindustrie – Pathologie und Dermatologie

Innovationsprozess und Technologiemanagement


Hausarbeit, 2022

27 Seiten, Note: 1,3


Leseprobe

Inhaltsverzeichnis

1 Einleitung

2 Begrifflichkeiten Gesundheitsindustrie & KI
2.1 Besonderheiten und ökonomische KPI Gesundheitsindustrie
2.2 Definition KI
2.3 Grundlagen und Bestandteile KI

3 KI in der Medizin – Diagnostik Pathologie und Dermatologie
3.1 SWOT-Analyse – KI in der Medizin
3.2 Vier Faktoren für die KI-Bereitstellung in medizinischen Bereichen
3.3 Bilddiagnostik mit KI und Computer Vision
3.4 KI in der Pathologie
3.5 KI in der Dermatologie

4 Anwendungsbeispiel: KI in der Krebsdiagnose/Therapie

5 Zusammenfassung und Ausblick

6 Literaturverzeichnis

Abbildungsverzeichnis

Abbildungen im Textteil

Abbildung 1: KI, ML, DL und (Hidden) Layer im Neuronalen Netz (NN)

Abbildung 2: SWOT-Analyse KI in der Gesundheitsindustrie

Abbildung 3: WSI-Visualisierung Tumorerkrankung vom Grade IV

Abbildung 4: Verzerrung Trainingsdaten bei Hauttypen (Fitzpatrick-Klassen)

Abbildungen im Anhang

Abbildung A 1: Elemente und Kennzahlen Gesundheitssektor BRD & EU

Abbildung A 2: Diagnostik, CV und DL-Architektur

Abbildung A 3: Krebserkrankungen Frauen und Männer

Abbildung A 4: KI-Umsatzprognose (EU) 2016-2025 in Mio. USD

Tabellen im Anhang

Tabelle A 1: Begriffe und Beschreibungen im Zusammenhang mit KI

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1 Einleitung

KI (künstliche Intelligenz), Algorithmen, Maschinelles Lernen, Deep Learning, Neuronale Netze und Computer Vision waren vor einigen Jahren noch Begriffe, die ausnahmslos zu Science-Fiction gezählt wurden; mittlerweile sind einige im Alltag in der praxisnahen Anwendung vieler Menschen und Unternehmen fester Bestandteil. Massive repräsentative gesammelte Datensätze bilden hierbei den Nährboden einer Vielzahl KI-basierter Anwendungen. Sie sind das essentielle Fundament analytischer Prozesse, die qualitativ hochwertige Antworten, Prognosen und Diagnosen erst ermöglichen. Das Wissen, Anwendungen aber auch daraus entstehende Geschäftsmodelle verändern sich durch angewandte KI-Technologien, so dass u.a. Lebensbedingungen und bisherige Prozesse eine erhebliche Verbesserung erfahren.

Der Einfluss von KI im europäischen Gesundheitssystem hat in den vergangenen Jahren – neben Megatrends wie dem demografischen Wandel, Stärkung der Resilienz und Digitalisierung – stetig an Bedeutung gewonnen. Beginnend bei Prävention über Diagnose, Therapie, Behandlung und Genesung finden zunehmend innovative digitale Technologien ihren Einsatz in smarten medizinischen Ökosystemen, die Patienten und Mediziner im Rahmen der Gesundheitsversorgung unterstützen können.

KI gilt gerade in der Krebsbekämpfung als Hoffnungsträger, denn 18 Mio. Menschen p.a. erkranken weltweit an Krebs, davon ca. 500.000 in Deutschland, wobei 200.000 an Krebs versterben.Abbildung A 3zeigt die vielfältigen Krebserkrankungen bei Frauen und Männern – neben Herz-Kreislauferkrankungen, die häufigste tödliche Erkrankung weltweit. Aktive Krebsprävention und Diagnose kann demnach einen hohen positiven Einfluss auf das Wohlbefinden von Menschen ausüben (Fraunhofer, 2019, S. 10).

Diese Arbeitet analysiert den Einfluss von KI in der Medizin – schwerpunktmäßig der Bilddiagnostik – in den Fachdisziplinen Dermatologie und Pathologie bei der Identifizierung und Diagnose von Krebserkrankungen.

Folgende Forschungsfragen leiten die vorliegende Arbeit: Wie kann KI die Gesundheit und Gesundheitssektor beeinflussen, begleiten und unterstützen? Welche Herausforderungen und Voraussetzungen bestehen für KI-Anwendungen im Gesundheitssektor? Wie kann KI in Pathologie und Dermatologie eingesetzt werden? Wie kann KI eine Krebsdiagnose begleitend unterstützen?

In Kapitel 2 werden die relevanten Begrifflichkeiten zum Thema KI, der Gesundheitsindustrie sowie deren wirtschaftliche Bedeutung im Rahmen der vorliegenden Arbeit erklärt. In Kapitel 3 wird als Methodik die SWOT-Analyse eingesetzt, um einen umfassenderen Einblick in die KI-Technologie mit Stärken und Herausforderungen in der Medizin zu erhalten. Anschließend werden notwendige Voraussetzungen für den medizinischen Einsatz von KI aufgezeigt.

Kombiniert betrachtet wird KI im Folgenden mit Computer Vision, um im Rahmen der Bilddiagnostik – der visuellen Befundung von Krankheiten – und dem Monitoring, Einfluss auf Krankheiten, Verläufe und Therapien zu bestimmen. Vertiefend wird KI hierbei in den medizinischen Fachdisziplinen der Pathologie und der Dermatologie betrachtet. Kapitel 4 skizziert einen beispielhaften KI-basierten Anwendungsfall von der Diagnose bis zur Therapie einer Krebserkrankung. Die Arbeit endet in Kapitel 5 mit einer Zusammenfassung und einem kurzen Ausblick. Tiefgreifende IT-basierte technische Funktionsweisen und Programmierungskenntnisse von KI werden in dieser Arbeit nicht betrachtet.

2 Begrifflichkeiten Gesundheitsindustrie & KI

Die Gesundheitsindustrie beinhaltet medizinische Produkte, Dienstleistungen, Prozesse, die lebenserhaltende Ziele für Menschen haben, indem sie Leben retten, zur Genesung beitragen, präventive Aufgaben übernehmen und dadurch die Lebensqualität steigern. Innovationen beziehen sich innerhalb der Branche auf Prozesse und Produkte mit mittlerweile hohem digitalen Anteil. Produkte müssen hierbei strenge gesetzliche Normen und Richtlinien erfüllen, weil sie im späteren Anwendungsverlauf Einsatz im oder am Menschen finden (Budde, 2020, S. 5 f.)

2.1 Besonderheiten und ökonomische KPI Gesundheitsindustrie

Im Gesundheitssektor besteht eine sehr hohe Wachstumsdynamik, so wurden beispielsweise im Jahr 2019 einige 100 Sprechstunden im Rahmen der Telemedizin – kontaktlos und digital – durchgeführt, während es keine 12 Monate später mehr als 1 Mio. Sprechstunden waren. Das Wachstum von mehreren 1000% ist neben der zunehmenden Digitalisierungswelle auch zu einem großen Teil der coronabedingten Kontaktbeschränkungen geschuldet. Die wichtigsten ökonomischen KPI und Wachstumszahlen des Gesundheitssektors sind inAbbildung A 1visualisiert. In Summe gilt es die Resilienz – Widerstands- und Anpassungsfähigkeit – von Patienten, Gesellschaft und Gesundheitsindustrie zu stärken. Der gesamte Gesundheitsmarkt inkl. Digitalisierung hat in Europa einen Anteil von ca. 10% am BIP des jeweiligen Landes mit stark zunehmender Tendenz. Dies ist primär der sich verändernden Altersstruktur der Gesellschaft sowie dem deutlichen Anstieg einhergehender intensiver medizinischer Betreuung geschuldet. Weltweit breitet sich die Digitalisierung in der Gesundheitsindustrie stark aus, mit jedoch sehr hohen Anforderungen an Datenschutz und Zulassungen von digitalen Gesundheitsprodukten und -diensten. Für das Jahr 2025 wird der digitalen Gesundheitsindustrie in Deutschland ein Anteil von 8% am Gesundheitsmarkt und damit 38 Mrd. EUR prognostiziert. Digitale Prävention mittels KI aber auch Apps wird darin auf 16 Mrd. EUR beziffert. In Europa werden 155 Mrd. EUR Umsatz für digitale Gesundheitsanwendungen erwartet (Berger, 2019, S. 7 ff.; Pappert und Schneider, 2021, S. 11 ff.).

2.2 Definition KI

Die KI – nach heutigem Stand – beschreibt Methoden, Verfahren und Technologien der Informatik, die es technischen Systemen ermöglichen, ihre Umwelt zu identifizieren und zu strukturieren, um autonom die Daten zu Lösungen, Entscheidungen und Handlungsempfehlungen zu verarbeiten. Aber auch, um daraus zu lernen und Erfahrungswerte zu generieren. Je größer die Leistungsfähigkeit der KI-Systeme, desto höher der Grad der Automatisierung und desto geringer die Notwendigkeit menschlicher Eingriffe.

Intelligenz von Maschinen zu definieren ist heutzutage ausnahmslos nur mit dem menschlichen Gehirn in Bezugnahme zu betrachten. Definitionen von KI ohne biologischen Hintergrund und Annahmen existieren nicht. Die Begriffe Intelligenz, KI aber auch Bewusstsein sind nach aktuellem Forschungsstand nicht allgemeingültig und abschließend definiert (McCarthy, 2004, S. 6 und Socher, 2020, Abs. 1).

Für den Erfolg oder Misserfolg von KI sind Daten essentiell. KI-Systeme (synonym zu KI) werden mit enorm großen Datenmengen trainiert, um im Anschluss Entscheidungen aufgrund erkannter Strukturen aus den Trainings zu treffen. Die Art und Weise des Trainings aber auch die Qualität der Daten entscheiden über die Qualität der Ergebnisse der KI. Je besser der Input, desto besser der Output.

Momentan kann man KI-Anwendungen in folgenden Funktionen vorfinden: Bild- und Spracherkennung, Wissensaufbau und -erwerb, Maschinellem Lernen, Erkennung von Mustern und Strukturen, kognitives Erfassen und Automatisierung von Schlussfolgerungen, Planung und Ausführung industrieller Fertigungsprozesse (BMWi, 2019, S. 4 f. und Budde, 2020, S. 5 ff.).

Relevante Begrifflichkeiten für das Verständnis dieser Arbeit im Zusammenhang mit KI sind in Kürze inTabelle A 1aufgelistet und erklärt; ergänzend in der folgendenAbbildung 1visualisiert.

2.3 Grundlagen und Bestandteile KI

Elementare Bestandteile einer KI sind Maschinelles Lernen (ML) und Deep Learning (DL) und der Einsatz von Algorithmen. DL orientiert sich in abstrakter Form am Verarbeitungsprozess des menschlichen Gehirns und verwendet vielschichtige Neuronale Netze, die komplexe Daten analysieren. Zum groben Verständnis von DL soll die Bilderkennung zwischen Katze (0) und Hund (1) dienen, sieheAbbildung 1. Hierzu nutzt DL sog. Neuronale Netze (NN), die menschlichen Nervenzellen sehr ähnlich sind, wobei zwischen In- und Output interne Verarbeitungsschichten (Layer) liegen. Die Identifizierung = Output, Katze oder Hund, erfolgt dann schrittweise über verschiedene Berechnungen zwischen den einzelnen Layern und je nach Verbindungsstärke der Gewichtungsfaktoren zwischen 1-100. Die Gewichte sind Teile vom festgelegten Algorithmus und werden im Training ermittelt.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung : KI, ML, DL und (Hidden) Layer im Neuronalen Netz (NN) 1

Quelle: eigne Darstellung in Anlehnung an Müller, 2022, Abs. 2 f.; Rauhmeier und Winter, 2022, Abs. 1 ff.

Zum Vergleich, während ein Mensch für die Unterscheidung von Katze und Hund zwei Bilder benötigt, bedarf es für die KI im Training bis zu 1.000 repräsentativer Bilder (BMWi, 2019, S. 4 f.; Müller, 2022, Abs. 2 f. und Socher, 2020, Abs. 1).

3 KI in der Medizin – Diagnostik Pathologie und Dermatologie

KI-Technologien können im Rahmen der Bilddiagnostik hochauflösende Bilder von Gewebeproben analysieren, große Datenmengen und medizinische Fachpublikationen auswerten, um eine Diagnose mit Therapieempfehlung schnell und zielgerichtet zu erstellen. Die entschlüsselten Muster können wiederum für das KI-Training verwendet werden, so dass die KI stets dazu lernt und eine zunehmend höhere Wirksamkeit entfaltet, was wiederum die Umsetzung von lebensunterstützenden und -verlängernden Maßnahmen erheblich beschleunigt. Mit KI-Anwendungen lassen sich u.a. folgende Ziele in der Gesundheitsindustrie bestimmen:

- Kostenreduktion, Zeitersparnis, Qualitätssteigerung bei diagnostischen und analytischen Verfahren durch Visualisierungen von Diagnosen und Unterstützung/Übernahme von Labortätigkeiten,
- frühzeitige Prävention bei Krebs und Verhinderung schwerer Krankheitsverläufe,
- Stabilität, Sicherheit und Robustheit von medizinischen digitalen Prozessabläufen,
- Stärkung der Resilienz in der Gesellschaft,
- Substitution von repetitiven Anwendungen durch KI-Technologien sowie Automatisierungen (BMWi, 2019, S. 6; Budde, 2020, S. 7 ff.; Esteva et al., 2021, S. 2 ff.; und Fraunhofer, 2019, S. 12).

3.1 SWOT-Analyse – KI in der Medizin

Die SWOT-Analyse (Strength, Weakness, Opportunities, Threads) inAbbildung 2zeigt, welchen Einfluss KI bei der Anwendung in der Gesundheitsindustrie hat und welche Herausforderungen bestehen. Folgende ausgewählte Kriterien bedürfen der Erwähnung:

Die zentrale Unterscheidung zwischen Korrelation und Kausalität kann die KI im Vergleich zu Menschen (noch) nicht treffen. Sie erkennt zwar Muster aber nicht deren Entstehung, da der KI das Gesamtverständnis der Vorgänge fehlt. Selbstreflektive Überlegungen, um zu erkennen welche Kompetenzen fehlen, kann die KI nicht leisten. Erst die klar abgegrenzte und festgelegte Aufgabenstellung mit genügend Daten führen zu KI-basierten Leistungen, die mittlerweile die des Menschen übertreffen können.

Die Verfügbarkeit und der datenschutzbasierte Umgang mit repräsentativen verzerrungsfreien Daten sind für die KI von essentieller Bedeutung, um valide Diagnosen zu erstellen, aber auch zur Empfehlung erfolgreicher Therapien für das Individuum. Teilweise bestehen erhebliche Unterschiede in den Daten, beispielsweise dominieren männliche Daten im Vergleich zu weiblichen Daten (Gender-Data-Gap), so dass Ungleichheiten, Verzerrungen (Bias) und Diskriminierungen in den Daten vorliegen. Die KI trifft Prognosen auf Basis überwiegender männlicher Daten ebenso für Frauen.

Je mehr die KI im klinischen Einsatz angewendet wird, desto mehr Daten können generiert werden und desto exakter werden KI-gestützte Aussagen aber auch Verallgemeinerungen, die von individuellen Einzelfällen abgeleitet werden können.

Je mehr digitale Biomarker – messbare Indikatoren für die Schwere einer Krankheit – vorliegen, desto schneller können klassische, langwierige und aufwendige Test in Kliniken substituiert werden. Je früher und umfassender gehandelt wird, desto kürzer der Entdeckungszeitraum einer Krankheit, desto milder oder wenig schwerwiegend der Verlauf im Vergleich zu einer späteren Diagnostik, desto höher auch die Heilungschancen.

[...]


1 Eine tiefere Beschreibung der Wirkungsweise und Analytik der KI wird in dieser Arbeit nicht vorgenommen.

Ende der Leseprobe aus 27 Seiten

Details

Titel
Künstliche Intelligenz in der Gesundheitsindustrie – Pathologie und Dermatologie
Untertitel
Innovationsprozess und Technologiemanagement
Hochschule
Hochschule Fresenius Idstein  (Wirtschaftsingenieurwesen Engineering und Automatisierung (M.Eng.))
Veranstaltung
Innovationsprozess und Technologiemanagement
Note
1,3
Autor
Jahr
2022
Seiten
27
Katalognummer
V1239191
ISBN (Buch)
9783346658333
Sprache
Deutsch
Schlagworte
KI, Gesundheitsindustrie, Dermatologie, Pathologie, Industrie Digitalisierung, Künstliche Intelligenz, Health Care, Deep Learning, Neuronale Netze, Computer Vision, Krebs, Tumor, Machine Learning, Layer, Diagnostik, SWOT, Therapie, Diagnose, AI, Artifical Intelligence, Medizin, Inelligenz, Umsatz, IT, Europa, Innovationen, Technologie, Management
Arbeit zitieren
Maik Chudziak (Autor:in), 2022, Künstliche Intelligenz in der Gesundheitsindustrie – Pathologie und Dermatologie, München, GRIN Verlag, https://www.grin.com/document/1239191

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Künstliche Intelligenz in der Gesundheitsindustrie  – Pathologie und Dermatologie



Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden