Ein unermüdlicher Diagnostiker mit großer Genauigkeit – maschinelles Lernen mischt die Ge­sund­heitsbranche auf

Die Kombination von maschinellem Sehen und maschinellem Lernen bietet große Chancen für das Gesundheitswesen. Die Nutzung datengesteuerter Technologie erfordert neue Fähigkeiten und ein neues Verständnis von Daten.

Mit Expertensystemen, die maschinelles Sehen und maschinelles Lernen kombinieren, kann die Diagnosequalität im Gesundheitswesen verbessert werden. Ein gut trainiertes Modell der künstlichen Intelligenz kann Muster in medizinischen Bildern erkennen, die für das menschliche Auge schwer zu erkennen sind. Lösungen, die maschinelles Sehen und Lernen nutzen, sind beispielsweise schon heute in der Lage, Krankheiten zu klassifizieren und Krebs zu erkennen.

Mit einem eingebetteten Gerät, auf dem ein KI-Modell läuft, das medizinische Bilder analysiert, kann menschliches Fachwissen aus der realen Welt zu einem erschwinglichen und zuverlässigen Preis reproduziert und weltweit verteilt werden. Die herkömmliche Methode, mehr Experten auszubilden und sie zur Erfüllung ihrer Aufgaben in die ganze Welt zu schicken, kostet Zeit und Geld.

Medizinische Einrichtungen und Fachleute sind an Geräten interessiert, die die Abläufe im Gesundheitswesen kosteneffizient verbessern. Daher ist das Potenzial der maschinellen Bildverarbeitung und des maschinellen Lernens für einen Hersteller von Medizintechnik enorm.

"Jede Bildanalyseaufgabe ist ein potenzieller Fall für maschinelles Sehen und Lernen", sagt Matthias Zumpe, Teamleiter Embedded Software bei Etteplan.

Hervorragende Ergebnisse, keine Konnektivität erforderlich

Eine integrierte Lösung zählt bereits die Darmparasiteneier in einer Probe. Ein KI-Mikroskop automatisiert die Bildgebung und nutzt künstliche Intelligenz, um die verschiedenen Parasiten zu klassifizieren und zu zählen.

Bisher haben menschliche Experten mit Mikroskopen und Zählklickern diese Arbeit manuell erledigt. Ein eingebettetes Gerät kann die gleiche Genauigkeit wie ein Mensch erreichen, nur schneller und ohne Pausen.

"Diese kostengünstigen Geräte können leicht an Schulen in Entwicklungsländern geliefert werden, um bei der Diagnose zu helfen", sagt Zumpe. Die Geräte wurden von Etteplan zusammen mit Johnson & Johnson entwickelt.

Die Ausführung des maschinellen Lernmodells erfordert nur eine bescheidene Menge an Rechenleistung, die problemlos lokal auf dem Gerät ohne eine Cloud-Verbindung ausgeführt werden kann.

Die Kontrolle über die Daten übernehmen

Der erste Schritt für einen Hersteller von medizinischen Geräten, der in die Welt der KI einsteigen möchte, besteht darin, zu bestimmen, welche Daten für das Training des maschinellen Lernmodells zur Verfügung stehen.

"Unternehmen unterschätzen manchmal die Menge und Qualität der Daten, die zum Trainieren eines leistungsstarken Modells erforderlich sind", sagt Zumpe.

Um die richtige Art und Menge an Daten erfolgreich zu sammeln, ist es sehr empfehlenswert, einen Partner zu finden, der Erfahrung mit maschinellem Lernen hat, da es sich deutlich von traditionellen, z. B. filterbasierten, Bildverarbeitungsmethoden unterscheidet.

Die Entwicklung eines Produkts, das KI nutzt, bedeutet in der Regel den Einstieg in den Bereich der Diagnostik und Entscheidungsfindung.

"Im Vergleich zu einer eher traditionellen Methode, bei der dem medizinischen Personal einfach die Bilder präsentiert werden, um ihm bei der Entscheidungsfindung zu helfen, ist die Interpretation der Bilder und Daten mit einem Modell des maschinellen Lernens natürlich mit viel mehr Verantwortung und Vorschriften verbunden, die es zu beachten gilt", sagt Zumpe.

Darüber hinaus variiert die Gesetzgebung im Gesundheitswesen weltweit, was die Entwicklung einer konformen Lösung noch komplexer machen kann.

Neue Technologie erfordert neue Arten von Fähigkeiten

Da einige der Trainingsdaten für eine Anwendung im Gesundheitswesen sensibel sein können, kann es erforderlich sein, den maschinellen Lernprozess auf Servern vor Ort durchzuführen.

"Abhängig von den Daten ist es manchmal bequemer, fertige maschinelle Lerndienste aus der öffentlichen Cloud wie Google Cloud, AWS oder Microsoft Azure zu nutzen. Wir haben Erfahrung mit beiden Umgebungen", sagt Zumpe.

Ein erfahrener Partner kann auch bei der Auswahl des am besten geeigneten maschinellen Lernmodells für den jeweiligen Fall helfen. Es gibt sicherlich eine Reihe von potenziellen Fallen, die für einen Anfänger schwer zu erkennen sind.

"Wie kann man sicherstellen, dass die sensiblen Patientendaten nicht in das Modell eindringen? Wie erstellt man nicht-diskriminierende, ethische Expertensysteme? Solche Fragen sind ohne einen auf maschinelles Lernen spezialisierten Partner schwer zu beantworten", sagt Zumpe.

Etteplan hat Erfahrung darin, den gesamten Prozess der maschinellen Bildverarbeitung und des maschinellen Lernens von Anfang bis Ende zu organisieren. Natürlich besteht die Möglichkeit, dass Sie maschinelles Lernen überhaupt nicht benötigen.

"Wir sehen uns jeden Fall individuell an. Wenn das Problem des Kunden mit einfacheren und kostengünstigeren Methoden als dem maschinellen Lernen gelöst werden kann, bevorzugen wir natürlich diese. Die Anwendung des maschinellen Lernens ist für uns kein Selbstzweck. Es ist nur ein weiteres Werkzeug in unserem Werkzeugkasten, wenn auch ein sehr leistungsfähiges", sagt Zumpe.