Zusammenfassung
Mit zunehmender Hoffnung und gleichzeitig Sorge beobachten viele Mediziner*innen die jüngsten Entwicklungen auf dem Gebiet der künstlichen Intelligenz. Radiomics und künstliche Intelligenz gehören seit gut fünf Jahren zu den am schnellsten wachsenden methodischen Arbeitsgebieten innerhalb der medizinischen Forschung. Sie versprechen insbesondere, komplexe Zusammenhänge in Bilddaten und strukturierten Patientendaten aufzuspüren und daraus prädiktive Klassifikationen abzuleiten. Mit anderen Worten sollen sie dabei helfen, die rasant zunehmende Komplexität der medizinischen Versorgung zu meistern. Selbst innerhalb eng gefasster Spezialgebiete ist das laufend neu entstehende Wissen oftmals kaum überschaubar und daher in der klinischen Routine nur unvollständig anwendbar. In der Krebsversorgung, etwa bei der onkologischen Phänotypisierung und Therapieoptimierung, ist diese Komplexitätszunahme besonders stark spürbar. Die Nuklearmedizin hat dort bei Diagnose, Staging, Therapieauswahl und Erfolgskontrolle ihren festen Platz, und mit geringem Zeitversatz sind Radiomics und KI auch dort mit schnell wachsenden Publikationsraten angekommen. Innerhalb der KI ist es allen voran das tiefe maschinelle Lernen (Deep Learning), das seit 2015 dabei ist, die konventionelle Mustererkennung fast völlig abzulösen. Anders als das klassische Radiomics besitzt Deep Learning durch das sog. Selbstlernen die Fähigkeit, relevante Muster auch in heterogenen, schlecht standardisierten Daten zu erkennen. Die für komplexe Fragestellungen notwendigen integrierten Daten müssen in vielen Fällen jedoch erst noch in ausreichender Menge verfügbar gemacht werden. Dennoch ist bereits absehbar, dass einige der künftig generierten KI-Vorhersagen nicht mehr vom Menschen nachvollziehbar sein werden. Umso wichtiger werden für die Zukunft eine präzise Zieldefinition sein sowie die enge Kooperationen zwischen methodischer Forschung, klinischer Anwendung und ethischer Begleitforschung.
Abstract
Many physicians are observing the latest developments in the field of artificial intelligence with increasing hope and, at the same time, concern. Radiomics and artificial intelligence have been among the fastest growing methodological fields within medical research for a good five years. In particular, they promise to detect complex correlations in image data and structured patient data and to derive predictive classifications from them. In other words, they should help to master the rapidly increasing complexity of medical care. Even within narrowly defined specialty areas, the perpetually growing knowledge is often hardly manageable and therefore only incompletely applicable in clinical routine. This increase in complexity is particularly noticeable in cancer care, for example in oncological phenotyping and therapy optimization. Nuclear medicine has a firm place there in diagnosis, staging, therapy selection, and outcome monitoring, and with little time lag, radiomics and AI have arrived there with rapidly growing publication rates. Within AI, it is first and foremost deep machine learning, which has been in the process of almost completely replacing conventional pattern recognition since 2015. Unlike classical radiomics, Deep Learning has the ability to recognize relevant patterns even in heterogeneous, poorly standardized data through so-called self-learning. In many cases, however, the integrated data required for complex questions has yet to become available in sufficient quantities. Nevertheless, it is already foreseeable that some of the future AI predictions will no longer be comprehensible by humans. All the more important will be a precise definition of goals and close cooperation between methodological research, clinical application, and accompanying ethical research.
Schlüsselwörter
Onkologie - Nuklearmedizin - Verlaufskontrolle - Radiomics - Künstliche Intelligenz - Mustererkennung
Keywords
Oncology - nuclear medicine - follow-up examination - radiomics - artificial intelligence - pattern recognition
