Brugg-Windisch - Trotz moderner Technik: Radiologen braucht es immer noch

«So schnell verlieren Radiologen ihren Job nicht»: Zu diesem für Radiologen – und wohl auch für Patienten – doch beruhigenden Schluss kam Andreas Boss am Podium Interface in seinem Referat mit dem etwas provokanten Titel «Künstliche Intelligenz in der Radiologie: Übernehmen bald die Algorithmen die Diagnose?». Allerdings kommt der künstlichen Intelligenz – und damit den Algorithmen – zunehmend Bedeutung bei der Analyse von Röntgen- oder Ultraschallbildern zu. Beispielsweise bei der Erkennung von Karzinomen.

Das Referat von Andreas Boss bildete, wie Fridolin Stähli, Dozent an der Hochschule für Technik, einleitend sagte, den Auftakt zum zweiten Teil des Podiums zum Thema «Algorithmen». «Standen im ersten Teil mehr die historischen und philosophischen Aspekte der Algorithmen im Vordergrund», so Fridolin Stähli, «geht es jetzt im zweiten Teil um die praktischen Felder.»

«Künstliche Intelligenz ist auch in der Radiologie ein zentrales Thema», so Andreas Boss, der nach dem Studium der Physik und Medizin an der Universität Tübingen heute als Leitender Arzt am Institut für diagnostische und interventionelle Radiologie des Universitätsspitals Zürich tätig ist.

Rechenleistung und Training sind wichtig

Algorithmen versuchen Muster zu identifizieren, wie sie beispielsweise anhand der sogenannten Diffusionskontraste bei bildgebenden Verfahren, wie etwa im Magnet-Resonanz- Tomographen, bei menschlichen Organen sichtbar werden. «Offensichtlich», so Boss, «kann der Algorithmus Messpunkte unterscheiden und interpretieren, wenn er anhand eines Datensatzes trainiert wird. Je mehr Training, desto besser das Ergebnis. Das ist aber nicht zuletzt eine Frage der Rechnerleistung.»

Mithilfe eines auf die Erkennung von Diffusionskontrasten hin trainierten Algorithmus würden sich bei einer Textur-Analyse Entropien früher erkennen lassen als durch die Interpretation des Bildes durch den Menschen, so Boss. Er verwies dabei auf die Ergebnisse eines Experiments mit Mäusen. «Die Textur-Analyse hat in 18 von 32 Tests das Vorhandensein von Tumorzellen gezeigt, bevor sie durch das menschliche Auge festgestellt werden konnten. Die Textur-Analyse ist zwar nicht intelligent. Aber sie ist ein Mittel, um künstliche Intelligenz zu trainieren.»

Aus der Idee heraus, dass ein Bildanalyse-Verfahren in der Lage sein müsste, bei Mammografie-Röntgenbildern Veränderungen zu erkennen, sei eine Software trainiert worden, die eigentlich für die Überwachung industrieller Fertigungsprozesse eingesetzt wird, sagte Boss. Dabei habe sich gezeigt, dass sich auch auf Ultraschallbildern Karzinome gut von Läsionen unterscheiden lassen. Daraus sei die Erkenntnis entstanden, selber Programme zu entwickeln.

«Neuronale Netze so gut wie Radiologen»

Besonders für die Bildanalyse geeignet sei Deep Learning, bei dem neuronale Netze genutzt werden. «Neuronale Netze sind so gut wie Radiologen», stellte Boss fest. «Mit mehr als 90 Prozent Genauigkeit sind sie den Radiologen überlegen.» Eine 100-prozentige Genauigkeit lasse sich aber auch mit neuronalen Netzen nicht erreichen, weil die erforderlichen Informationen nicht alle im Bild stecken würden.

Wie er erklärte, ist im Rahmen des Start-up-Unternehmens b-ray Z inzwischen ein Gerät entwickelt worden, das für die Analyse von Bildern aus dem Mammografie-Screening eingesetzt werden kann. Andreas Boss: «Es braucht aber in jedem Fall noch Radiologen.»