Künstliche Intelligenz in der Diagnostik. Zukünftige Herausforderungen und Chancen im Gesundheitswesen

Inhaltsverzeichnis

Abkürzungsverzeichnis

1 Zukünftige Herausforderungen im Gesundheitswesen

2 Zentrale Fragestellung

3 Grundlagen der Künstlichen Intelligenz
3.1 Ursprung der Künstlichen Intelligenz
3.2 Einteilung der Künstlichen Intelligenz
3.2.1 Überwachtes Lernen
3.2.2 Unüberwachtes Lernen

4 Stand der Technik
4.1 Allgemeines
4.2 KI-Software
4.2.1 KI-Software Studie 1 – NCT Heidelberg
4.2.2 KI-Software Studie 2 – Universität Stanford
4.3 Gerätetechnik
4.3.1 Tendenzen in der Geräteentwicklung für Dermatologen
4.3.2 ABTM Master der Firma Fotofinder

5 Wirtschaftlichkeitsanalyse
5.1 Versorgungsstruktur von Hautärzten in Deutschland
5.2 Aktueller Stand der Versorgungsleistung
5.3 Wirtschaftlichkeitsberechnungen
5.3.1 Annahmen zur Wirtschaftlichkeitsberechnung
5.3.2 Kostenvergleich mit Leasingrate
5.3.3 Kostenvergleich bei Kauf

6 Vision „Bodyscreening der Zukunft“

7 Datenschutz und Datenethik im medizinischen Umfeld

8 Fazit und Ausblick

Literaturverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1 Zukünftige Herausforderungen im Gesundheitswesen

Der medizinische Bereich steht in den kommenden Jahren vor großen Herausforderungen. Ein Hauptgrund hierfür ist die stetig steigende Lebenserwartung, welche sich in Deutschland seit den 1950er Jahren bis heute bei den Männern durchschnittlich von 64,6 auf 79,1 Jahre und bei den Frauen von 68,5 auf 84,1 Jahre erhöht hat. Prognostiziert wird für das Jahr 2060 eine Lebenserwartung von 84,8 Jahren beim Mann und 88,8 Jahren bei der Frau. Folglich wird die durchschnittliche Lebenserwartung innerhalb eines Jahrhunderts um circa 20 Jahre ansteigen. 1

Auf der anderen Seite stellt jedoch heute schon der Mangel an medizinischen Fachpersonal und die daraus resultierende schlechte Verfügbarkeit - insbesondere in ländlichen Bereichen - ein massives Problem dar.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Gemeldete Stellen bei der Bundesagentur für Arbeit 2

In Abb. 1 wird auf der linken Seite der Verlauf der bei der Bundesagentur für Arbeit gemeldeten Stellen aufgezeigt. In den Jahren 2011 bis 2018 kam es allein im deutschen Gesundheitswesen zu einer Verdoppelung der gemeldeten unbesetzten Arbeitsstellen von 17.000 auf 34.000. Auf der rechten Seite wird die Aufteilung auf die verschiedenen Wirtschaftsgruppen aufgezeigt. Auch hier erkennt man den hohen ungedeckten Personalbedarf in den Bereichen „Krankenhäuser“ und „Arzt- und Zahnarztpraxen“. Erkennbar ist somit eine eindeutige Abwärtsentwicklung bei der personellen Versorgung im deutschen Gesundheitssystem.

Daher ist es unabdingbar, dass verstärkt Computer und die damit verbundene Digitalisierung Aufgaben im medizinischen Bereich übernehmen und zur Arbeitsentlastungen beim Personal im Gesundheitswesen führen. Künftig kann hier die Künstliche Intelligenz (kurz: KI) eine entscheidende Position im Bereich der Diagnostik einnehmen. Die Diagnostik umfasst Verfahren wie die Anamnese, die körperliche und die weiterleitenden apparativen Untersuchungen sowie Analysen von Körpergeweben und Ausscheidungen. Insbesondere auf dem Gebiet der apparativen bildgebenden Diagnostik liegt der Schwerpunkt des Einsatzes von Künstlicher Intelligenz in der Medizin. Denn gerade bei der Mustererkennung kann die KI ihre Stärken ausspielen. Aber auch aus der Analyse großer Datenmengen mit Hilfe von KI ergibt sich ein tieferes Verständnis der Entstehung und der Verläufe von Krankheiten und neue Therapieideen.

Erste Versuche mit künstlichen Technologien werden auf dem Markt schon genutzt, und haben erste Erfolge vorzuweisen. Beispielsweise konnten US-Forscher auf Basis eines Google-Algorithmuses eine KI entwickeln, die Hautflecken auf Hautkrebs untersucht. 3

Google CEO Sundar Pichai äußerte sich dementsprechend euphorisch zur Künstlichen Intelligenz und den möglichen Auswirkungen auf die Menschheit:

„Künstliche Intelligenz ist eines der wichtigsten Dinge, an denen Menschen arbeiten. Ihre Bedeutung ist grundlegender als Elektrizität oder das Feuer“ 4

2 Zentrale Fragestellung

Insbesondere bei den bildgebenden Verfahren wird KI zukünftig eine wichtige Rolle beim Wandel der Medizin spielen und einen wertvollen Beitrag zu besseren Diagnosen und effizienteren Abläufen leisten. Der Begriff der bildgebenden apparatlichen Diagnostik umfasst allerdings ein sehr weitläufiges Gebiet. Dieses erstreckt sich ausgehend von der allgemeinen Sonographie bei Fachärzten bis zum Einsatz von hochspezialisierten Computertomographen (CT) oder Magnetresonanztomographen (MRT), die nur in spezialisierten Kliniken und Praxen vorgehalten werden.

Nach Vorgabe des betreuenden Dozenten wird der Schwerpunkt dieser Projektarbeit auf die Diagnose von Hautkrebs in der Dermatologie gelegt. Hierbei muss zwischen dem Keratinozyten (Plattenepithelkarzinome), der häufigsten Form von Hautkrebs mit allerdings sehr hohen Heilungschancen bei zeitiger Diagnose und den lebensbedrohlichen malignen Melanomen (schwarzer Hautkrebs), einer besonders aggressiven Tumorart, die Metastasen schon frühzeitig über die Blut- und Lymphbahnen in den Körper streuen kann, unterschieden werden (vgl. dazu Abb. 2). Aus diesem Grunde ist besonders eine eindeutige frühzeitige Identifizierung eines malignen Melanoms für einen betroffenen Patienten für die weitere Behandlung essentiell.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2: Links: Plattenepithelkarzinome – Rechts: malignes Melanom 5

Die schulmedizinische Vorgehensweise eines Hautarztes bei der Melanom-Diagnose wird Screening genannt und setzt auf die ABCDE – Heuristik. Hierbei bedeuten die einzelnen Buchstaben die Ausprägungen der Auffälligkeit:

- A = Asymmetrie
- B = (unregelmäße) Begrenzung
- C = Colour (gleichmäßige oder unregelmäßige Verteilung)
- D = Durchmesser (größer als 6 mm)
- E = Entwicklung (Dynamik/Veränderung)

Doch Dermatologen verlassen sich nicht nur auf ihre Erfahrung und die Inaugenscheinnahme, sondern verwenden im Zweifelsfall ein Auflichtmikroskop zum Vergrößern und Ausleuchten der Läsionen. Im Fall einer Unsicherheit oder positiven Diagnose wird im Anschluss eine Biopsie durchgeführt. 6

Ziel der Projektarbeit ist es zu recherchieren und darzustellen, ob durch den Einsatz der Künstlichen Intelligenz zukünftig bei der Diagnose von Hautkrebs auf das geschulte und erfahrene Auge eines Fachmanns verzichtet werden kann oder ob die Künstliche Intelligenz bestenfalls ein Werkzeug des Fachmanns darstellen wird.

Dafür werden zuerst im folgenden Kapitel die Grundlagen der KI und der damit verbundenen Fachbereiche und Fachtermini erarbeitet, damit eine Abgrenzung und Übersicht gegeben werden kann. Im Anschluss wird der Stand der Technik auf dem Gebiet der Hautkrebsdiagnose mit KI herausgearbeitet. Dem folgt auf der Basis der Versorgungsstruktur von Hautärzten in Deutschland eine Wirtschaftlichkeits-betrachtung für einen möglichen Einsatz von KI in einem hypothetischen dermatologischen Untersuchungszentrum. Im Anschluss wird der Ablauf einer fiktiven zukünftigen digitalen Vision einer Hautkrebsuntersuchung skizziert, wobei hier zusätzlich auf das Problem Big Data und Datensicherheit als Basis der KI eingegangen werden soll. Als Abschluss soll nochmals das Ziel der Projektarbeit im Gesamten mit dem persönlichen Resümee aufgezeigt werden.

3 Grundlagen der Künstlichen Intelligenz

3.1 Ursprung der Künstlichen Intelligenz

Die 1950er Jahre gelten als Beginn der Künstlichen Intelligenz, welche durch das Werk „Computing Machinery and Intelligence“ des englischen Forschers Alan Turing kulminierte. Hierbei entwickelte er den sogenannten „Turing-Test“, um herausfinden, ob die Intelligenz eines bestimmten maschinellen Systems der eines Menschen entspricht. Damit definierte er künstliche Intelligenz derart, dass wenn man eine Maschine nicht von einem Menschen unterscheiden kann, es sich um eine „intelligente Maschine“ handelt. 7

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3: Darstellung des Turing-Tests

In Abb. 3 ist der Turing-Test graphisch dargestellt. Die Teilnehmer des Tests sind der „Evaluator“ A, eine weitere Person „B“ und ein Computer „C“. „A“ chattet nun mit „B“ oder „C“ und muss folglich sich festlegen, wobei es sich bei „C“ um den Chat-Bot handelt. Kann „A“ dies nicht mit hoher Sicherheit sagen, ist der Test als erfolgreich für den Computer zu werten und das System als intelligent anzusehen. 8

Eine Erweiterung zum Turing-Test bildet beispielsweise der Lovelace-Test. Hier muss die KI zusätzlich zum Turing-Test auch Kreativität beweisen, um als solche angesehen zu werden. 9

3.2 Einteilung der Künstlichen Intelligenz

Der Begriff „Künstliche Intelligenz“ kann als Überbegriff (vgl. Abb. 4) gewertet werden, wobei diese mit manuellen Wissenseingaben oder ausdrücklich programmierten Lösungswegen an definierten Problemen arbeitet. Sie orientierte sich ursprünglich an der mathematischen Logik wie in der klassischen Steuerungstechnik, in der die Aussagenlogik einfache logische Verknüpfungen (und, oder, nicht) kombiniert und Aussagen mit einem Wahrheitsgehalt (richtig, falsch) belegt werden. Somit werden einfache, begründete Schlussfolgerungen für das Programm möglich.

Ein Anwendungsgebiet der KI ist das Schachspiel Mensch gegen Computer. Die KI verfügt über einfache Regelsysteme und Handlungsmöglichkeiten, jedoch ergeben sich fast unzählige Varianten. Über sogenannte Heuristiken, wird für jede noch so verzweigte Handlungsoption immer wieder die Sinnhaftigkeit einer vertieften Suche bestimmt. Dabei werden die Züge nach bestimmten Kriterien bewertet, wodurch das System die beste Handlungsvariante für jeden Spielzug findet.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4: Zeitliche Entwicklung KI 10

Der Bereich „Maschinelles Lernen“ (ML) gehört zu den Teilgebieten der Künstlichen Intelligenz, welcher seine Anfänge in den 1980er Jahren hatte. Probleme, die zu kompliziert waren, um sie analytisch zu beschreiben, konnten nun mit einer genügenden Anzahl von Beispieldaten gelöst werden. ML nutzt dabei mathematische und statistische Modelle, um mit Hilfe unterschiedlichster Verfahren aus den Beispieldaten zu lernen. Durch das Wiederholen einer Aufgabe lernt nun das Programm. Das automatisch erworbene maschinell hinterlegte Wissen kann anschließend auf neue, potenziell unbekannte Daten derselben Art angewendet werden, sodass unbekannte Probleme ähnlicher Art gelöst werden können. Auf dieser Basis können Vorhersagen getroffen und Entscheidungen maschinell erstellt werden.

Seit 2010 werden unter „Deep Learning“ (DL) Lernprozesse auf der Basis von Programmen bezeichnet, die mehrschichtige neuronale Netze abbilden. Deep Learning ist die derzeit erfolgreichste Implementierung eines künstlichen neuronalen Netzes und ein Teilgebiet des Maschinellen Lernens. Eines der wichtigsten Einsatzgebiete für Deep Learning ist neben der Sprachverarbeitung das Erkennen von Objekten in Bildern. Darunter versteht man z. B. ein schrittweise immer detaillierteres Erfassen eines Bildes, indem zunächst nur einzelne Bausteine, dann Cluster und schließlich das Ganze erkannt werden. 11

Zur Zeit fokussiert sich die Forschung auf den Bereich der Mustererkennung, nachdem lange Zeit mangelnde technische Machbarkeit den Fortschritt aufgehalten hatte. Moderne Grafikprozessoren, wie beispielsweise die der Firma NVIDIA, aktivierten einen neuen Boom auf diesem Gebiet. Dies ermöglicht nun verhältnismäßig kostengünstig große Datenmengen zu verarbeiten und eine Vielzahl an Quellen miteinzubeziehen, wobei die algorithmische Umsetzung auf zwei verschiedenen Prinzipien, dem

- überwachten und dem
- unüberwachten Lernen

basiert. 12

3.2.1 Überwachtes Lernen

Die Grundlage beim „Überwachten Lernen“ bilden Trainingsdaten, bei denen sowohl Input als auch das Ergebnis im vornherein bestimmt sind. Ziel dieser Methodik ist es über gewisse Parameter Regeln zu erkennen und hierüber bei neuen Inputdaten ein korrektes Ergebnis dargestellt zu bekommen.

Typischerweise werden beim „Überwachten Lernen“ zwei Methoden unterschieden: Zum einen in Überwachtes Lernen durch Klassifizierung, wodurch der Ausgabewert die Bilder automatisch zuordnet. Zum anderen basiert die zweite Methodik auf der Regression, wobei hier konkrete Werte wie beispielsweise der Preis, die Körpergröße, etc. berechnet werden. 13

Zu den gängigsten Algorithmen zählen hierbei:

- Lineare Regression
- Künstliche neuronale Netze
- Entscheidungsbäume
- Bayes‘sche Logik 13

Im folgenden Beispiel wird exemplarisch für das „Überwachte Lernen“ die Methode „Klassifizierung“ dargestellt:

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 5: Trainingsdaten für Software

Ausgangssituation: Wie in Abb. 5 dargestellt, wurde der Software im Folgenden Daten in Form von Bildern zu Verfügung gestellt. Das bedeutet, dass die Bilder eindeutig in Hund oder Katze klassifiziert wurden. Auf dem jeweils zugeordneten Bild sucht die Software nach Parameter, die innerhalb einer Gruppierung gleich oder ähnlich sind. Diese Parameter könnten hier so aussehen:

- Hund: große Ohren, große schwarze Nase, etc.
- Katze: spitze Ohren, Schnurrhaare, etc.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 6: Überwachtes Lernen durch Klassifizierung 13

Abb. 6 zeigt wie die Software arbeitet, nachdem die Trainingsdaten durchgespielt wurden. Wie auf der linken Seite dargestellt, bekommt die Software nun Bilder zur Verfügung gestellt, die sie in die Kategorien „Hund“ oder „Katze“ zuordnen soll. Sie vergleicht die Bilder mit den erkannten Mustern und Parametern und klassifiziert diese anschließend. Das Ergebnis findet sich hier auf der rechten Seite. Dabei wurde einem Bild entweder die Kategorie „Hund“ oder die Kategorie „Katze“ zugeordnet.

3.2.2 Unüberwachtes Lernen

Ähnlich wie beim Überwachten Lernen, kategorisiert das System „Unüberwachtes Lernen“ die Inputdaten. Der große Unterschied hierbei ist, dass ohne Trainingsdaten gearbeitet wird. Das bedeutet, die Mustererkennung basiert rein auf den Bildern. Das System bekommt keine Rückmeldung, wobei es sich hierbei handelt.

Anwendung findet das „Unüberwachte Lernen“ vor allem in Anwendungsfeldern, bei denen die Daten noch unbekannt sind. Ziel ist es, hierdurch noch unbekannte Strukturen zu erkennen.

Zu den gängigsten Algorithmen zählen hier der K-Means und der Apriori Algorithmus.

Die verbreiteste Methode ist das sogenannte „Clustering“. Hierbei gruppiert ein Algorithmus die Eingabedaten in verschiedene Kategorien, beispielsweise mit dem „K-Means“-Algorithmus.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 7: Eingabedaten für unüberwachtes Lernen 13

In Abb. 7 bestehen die Trainingsdaten exemplarisch wieder aus Hunden und Katzen. Großer Unterschied zum „Überwachten Lernen“ ist, dass dem System nicht mitgeteilt wird, um was es sich bei den Bildern handelt. Es muss sich eigenständig aus den Trainingsdaten Gruppierungen bilden.

Nun überprüft das System die Trainingsdaten und erstellt Gruppierungen, in die die Bilder eingeteilt werden können. Das Ergebnis sieht wie in Abb. 8 dargestellt aus.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 8: Gruppierung durch Unüberwachtes Lernen 13

In Abb. 8 lassen sich nun die Kategorien erkennen, die das System erstellt hat. Hierbei weiß das System aber nicht, ob es sich um Hund oder Katze handelt, sondern nur ob das Bild XY der Kategorie 1 oder 2 mehr ähnelt. Problematisch ist hierbei, dass bei optischer Uneinigkeit das System möglicherweise eigene Kategorien bildet, wenn es diese nicht zuordnen kann.

Nimmt man die Hunderasse Neufundländer als zusätzliches Beispiel, kann es passieren, dass das System das Bild der Kategorie Hund nicht zuordnen kann (vgl. Abb. 9). Grund hierfür ist, dass der Neufundländer optisch einem Braunbären mehr ähnelt als einer anderen Hunderasse.

[...]