Künstliche Intelligenz im Ultraschall: Pearls and Pitfalls im Jahr 2024

In den letzten 5 Jahren hat sich die künstliche Intelligenz (KI) als eine bahnbrechende Methode erwiesen, die erhebliche Auswirkungen auf das gesamte Gesundheitssystem hat und die wissenschaftliche Forschung sowie verschiedene medizinische Bereiche, darunter vor allem die Pathologie, Onkologie und Radiologie, stark beeinflusst.

Auch der Ultraschall, ein Eckpfeiler der medizinischen Diagnostik, erlebt einen Transformationsprozess. Die neuesten Entwicklungen bei den KI-Tools beginnen, diesen Bereich tatsächlich radikal zu verändern.

Interessanterweise ist der Ultraschall in einem Kontext, in dem die Abhängigkeit vom Fachwissen der Ultraschalldiagnostiker oft als große Einschränkung angesehen wird, ideal geeignet, um aus der Integration von KI erhebliche Vorteile zu ziehen. Dadurch verspricht man sich eine höhere diagnostische Genauigkeit, effizientere Arbeitsabläufe und einen erweiterten Zugang zu qualitativ hochwertiger Versorgung.

Darüber hinaus sollte berücksichtigt werden, dass Ultraschall bekanntermaßen für viele Erkrankungen ein brauchbarer erster diagnostischer Ansatz oder ein Screening-Instrument darstellt (z. B. Screening auf Brustläsionen, Screening auf abdominale Aorten-Aneurysmen, Screening auf Schilddrüsenknoten, Überwachung von Patienten mit einem Risiko für hepatozelluläre Karzinome, Screening auf atherosklerotische Erkrankungen der Karotis oder der unteren Extremitäten usw.). Da sehr große Bevölkerungsgruppen betroffen sind, kann der Einsatz des Ultraschalls jedoch nicht so weitreichend bedarfsdeckend geplant werden, vor allem wegen der begrenzten Verfügbarkeit und der Kosten für medizinisches Fachpersonal. Der automatisierte Einsatz des Ultraschalls, der durch KI-Erkennung gestützt wird, könnte das Potenzial haben, zumindest einige dieser Prozesse zu beschleunigen und den Personalaufwand zu reduzieren.

Insgesamt sind die Möglichkeiten für KI im Ultraschall vielfältig und betreffen verschiedene Phasen der Untersuchung, von der Bilderfassung, Erkennung von Anomalien und Interpretation, bis hin zur Entscheidungsfindung und dem Patienten-Outcome. Einige Besonderheiten der KI-Tools können jedoch deren Einsatz in der klinischen Praxis verzögern und sollten bekannt sein, um problematische Situationen zu vermeiden.

Im Folgenden werden die wichtigsten Vorteile der Einführung verschiedener KI-Tools in der Ultraschalldiagnostik sowie einige Hindernisse, die es zu überwindenden gilt, erörtert.

Verbesserung der diagnostischen Genauigkeit

Einer der bedeutendsten und augenscheinlichsten Beiträge der KI zur Ultraschallbildgebung liegt in deren Fähigkeit, die diagnostische Genauigkeit zu verbessern. KI-Algorithmen, insbesondere solche, die auf Deep Learning und maschinellem Lernen basieren, haben bei der Bildanalyse bemerkenswerte Leistungen bewiesen.

In einer großen retrospektiven Analyse mit mehr als 100 000 Personen haben Gao et al. gezeigt, dass die KI-gestützte Ultraschallbildgebung unter Verwendung von Deep-Learning-Techniken die Differenzierung von malignen und gutartigen Raumforderungen der Ovarien mit ausgezeichneter Genauigkeit erlaubt, was durch eine AUC von 0,87 in einer externen Validierungskohorte bestätigt wurde [1].

Ein kürzlich durchgeführter systematischer Review zu diesem Thema bestätigte in verschiedenen Studien eine optimale Genauigkeit mit einem AUC-Wert zwischen 0,73 und 0,99. Es ist jedoch wichtig hervorzuheben, dass nur 2 von 37 Studien, in denen die Genauigkeit des Modells bewertet wurde, einen externen Validierungsansatz verwendeten [2], was ein notwendiger Schritt ist, bevor ein Werkzeug in die klinische Praxis eingeführt werden kann.

Eine weitere faszinierende KI-Anwendung im Ultraschall wurde von Fu et al. untersucht. Die Autoren führten eine Meta-Analyse mit 11 005 Personen durch, die bewies, dass die diagnostische Genauigkeit der ultraschallbasierten Radiomics eine Sensitivität von 0,76 und eine Spezifität von 0,78 für die Vorhersage von HER2 zeigte, sowie eine Sensitivität von 0,80 und eine Spezifität von 0,76 für Ki67 – beides wichtige Biomarker in der klinischen Behandlung von Brustkrebs [3].

Des Weiteren konnten bei Brustkrebs die diagnostische Genauigkeit des Ultraschalls durch die Hinzufügung einer KI-Analyse verbessert werden und die Rate der falsch-positiven Krebsdiagnosen verringert werden [4].

Im Bereich der Onkologie ist die Anzahl potenzieller KI-Anwendungen beeindruckend [5]. In einer kürzlich veröffentlichten Vorstudie wurde behauptet, dass damit die Fähigkeit des Ultraschalls, metastatische Lymphknoten des Gebärmutterhalses als Primärtumore zu klassifizieren, verbessert werden kann [6].

Wie anhand von Beispielen veranschaulicht, könnte die KI im Prinzip Hinweise auf bestimmte Krankheitsdiagnosen geben, insbesondere durch die Kombination verschiedener multiparametrischer Ultraschallverfahren. Dies könnte insbesondere bei Patienten mit unbekannten, seltenen Erkrankungen nützlich sein, die dem Bediener möglicherweise noch nie begegnet sind und ihm vielleicht nicht einmal in den Sinn kommen, die aber wahrscheinlich erkannt werden, wenn sie von einem KI-Tool vorgeschlagen werden.

Verbesserung der Workflow-Effizienz

Neben der diagnostischen Genauigkeit revolutioniert KI auch die operativen Abläufe in der Ultraschallbildgebung. Herkömmliche Ultraschalluntersuchungen können zeitaufwendig sein und erfordern erhebliche Fachkenntnisse. KI rationalisiert diese Prozesse durch Automatisierung und intelligente Unterstützung und verbessert so die Workflow-Effizienz.

So konnte beispielsweise ein von Fiorentino et al. [7] entwickeltes Regression-CNN (Convolutional Neural Network) zur Messung des fetalen Kopfumfangs, eines entscheidenden Parameters zur Beurteilung des fetalen Wachstums und der Entwicklung, die Untersuchungszeit und die Variabilität zwischen den Ärzten verringern und die diagnostische Genauigkeit erhöhen [7].

Ein weiterer wichtiger Bereich, in dem die künstliche Intelligenz erhebliche Fortschritte gemacht hat, ist die Erfassung von Ultraschallbildern. Automatisierte KI-gesteuerte Bilderfassungssysteme können Kliniker und Ultraschalldiagnostiker dabei unterstützen, durchgängig qualitativ hochwertige Bilder aufzunehmen. Diese Systeme nutzen Echtzeit-Feedback, um eine optimale Sonden-Positionierung und Bildqualität zu gewährleisten und die Abhängigkeit von den Fähigkeiten des Bedieners zu verringern.

Dieser besondere Aspekt wurde in einer interessanten prospektiven Studie nachgewiesen: In einer multizentrischen diagnostischen Studie führten 8 Krankenschwestern ohne vorherige Ultraschall-Erfahrung bei 240 Patienten eine Echokardiografie durch und verwendeten dabei eine Deep-Learning-Software auf KI-Basis, die auf 5 Millionen Beispielen hinsichtlich der Auswirkungen der Bewegung der Ultraschallsonde auf die Bildqualität basierte.

Die Bilder wurden anschließend von 5 Echokardiografie-Experten bewertet, die sie bei 98,8 % der Patienten in Bezug auf die Größe und Funktion des linken Ventrikels und bei 92,5 % in Bezug auf die Größe des rechten Ventrikels als diagnostisch hochwertig einschätzten [8].

Verbesserter Zugang zu qualitativ hochwertiger Versorgung

Der transformative Einfluss der KI auf die Ultraschallbildgebung erstreckt sich auch darauf, Benachteiligungen beim Zugang zur Gesundheitsversorgung zu beseitigen. In vielen Teilen der Welt, insbesondere in ressourcenarmen Gegenden, ist der Zugang zu einer qualitativ hochwertigen Ultraschallversorgung aufgrund des Mangels an geschultem Personal und Geräten stark eingeschränkt. KI ist in der Lage, diese Lücke zu schließen, indem sie den Zugang zu hochwertiger Bildgebung für alle ermöglicht.

In einer retrospektiven Analyse, die in dieser Ausgabe von Ultraschall in der Medizin/European Journal of Ultrasound veröffentlicht wurde, verwendeten Wei et al. ein automatisches Erkennungssystem auf Basis eines neuronalen Netzes für die Echtzeit- und Synchrondiagnose von Karotis-Plaques und erreichten dabei eine bemerkenswerte diagnostische Genauigkeit von 98,5 %⁸. Darüber hinaus testeten sie mithilfe der Live-Übertragung von Ultraschallbildern den Einsatz des Algorithmus zur Ferndiagnose von Karotis-Plaques bei Untersuchungen, die mehr als 1000 km entfernt waren, und zeigten, wie Distanzen dank dieser Verfahren verkürzt werden können [9]. Solche Technologien könnten die Versorgung auch dann gewährleisten, wenn vor Ort keine Fachkenntnisse vorhanden sind oder wenn es an qualifizierten Arbeitskräften mangelt, da die Untersuchung in Echtzeit aus der Ferne assistiert wird.

In diesem Sinne werden tragbare Ultraschallgeräte zunehmend in abgelegenen und unterversorgten Gebieten eingesetzt [10]. Diese Geräte sind kompakt, erschwinglich und einfach zu bedienen, was sie ideal für den Einsatz vor Ort macht. Die KI-Unterstützung bei der Echtzeit-Bildinterpretation könnte dem medizinischem Personal, das möglicherweise nicht über eine spezielle Ausbildung verfügt, eine sofortige diagnostische Unterstützung bieten und so eine rechtzeitige Diagnose und Behandlung ermöglichen. Die KI-Unterstützung ermöglicht außerdem, dass bei Eingriffen vor Ort anatomische Strukturen erkannt werden.

Dies erhöht nicht nur die diagnostische Genauigkeit, sondern fördert auch die lokale Fachkompetenz, indem es Gesundheitsdienstleistern in abgelegenen Gebieten lehrreiches Feedback gibt.

Herausforderungen und ethische Erwägungen

Obwohl die Fortschritte der KI in der Ultraschallbildgebung unbestreitbar beeindruckend sind und schnell voranschreiten, gibt es auch Herausforderungen und ethische Überlegungen, die berücksichtigt werden müssen.

Zunächst einmal ist es von größter Bedeutung, die Zuverlässigkeit und Generalisierbarkeit von KI-Algorithmen zu gewährleisten. Leider werden viele KI-Modelle anhand spezifischer Datensätze trainiert, und ihre Leistung kann bei Anwendung auf unterschiedliche Populationen oder klinische Umgebungen variieren. Daher ist eine externe Validierung und Aktualisierung dieser Modelle unerlässlich, um ihre Genauigkeit und Relevanz zu gewährleisten.

Zweitens ist das so genannte Black-Box-Problem ein weiteres zentrales Hindernis. Hier geht es darum, dass man nicht versteht, wie Deep-Learning-Modelle zu ihren Schlussfolgerungen kommen, was potenziell katastrophale Folgen haben kann. Um KI-Tools sicher in der klinischen Praxis einzusetzen, ist es zwingend erforderlich, dass die Black-Box-Wirkungsmechanismen erklärt werden, was einige Autoren kürzlich mit den Erklärungsansätzen in den Naturwissenschaften oder der Physik verglichen haben [11].

In engem Zusammenhang mit dem mangelnden Verstehen eines KI-Tools steht das Problem der Rechenschaftspflicht. Die Rechenschaftspflicht wird oft etwas ungenau definiert, kann aber vereinfacht als Verpflichtung bezeichnet werden, über das eigene Vorgehen zu informieren und es gegenüber einer Behörde zu rechtfertigen [12]. Dies impliziert sowohl eine rechtliche Haftung, die vor der Einführung in die klinische Praxis streng geregelt werden muss, als auch eine moralische Verantwortung gegenüber den Patienten, die von Entscheidungen betroffen sind, die mittels KI-Tools zustande kommen.

Zu diesem Zweck sollten bestimmte Versionen von KI-Tools endgültig ausgearbeitet werden, damit sie von den Regulierungsbehörden zertifiziert und vermarktet werden können. Andernfalls könnte es bei einer kontinuierlichen Weiterentwicklung und Verbesserung einer Software (die theoretisch als große Chance zu betrachten ist), ohne offensichtliche offene Kommunikation des Übergangs von einer Version zu einer neuen, passieren, dass eine heute erstellte Diagnose morgen eine leicht andere Diagnose sein könnte, obwohl dieselben Bilder analysiert werden. Dies kann der Fall sein, wenn eine automatische Aktualisierung des Systems stattgefunden hat, was sowohl die Bediener als auch die Patienten verwirrt. Hieraus könnten sogar rechtliche Fragen hinsichtlich der Verantwortung im Diagnoseprozess aufgeworfen werden.

Die Verantwortung für die endgültige Diagnose und der gegebenenfalls fehlende Zugang der Patienten zu den Informationen der KI-Software, die zur Unterstützung der endgültigen Diagnose eingesetzt wird, sind nach wie vor umstritten und geben Anlass zur Sorge.

Schließlich stellt der Datenschutz wahrscheinlich das größte ethische Problem dar. Es wurde über Datenlecks und erfolgreiche Prompt-Injection-Angriffe zum Diebstahl von Daten berichtet [13] [14], was zeigt, dass KI-Tools in diesem Aspekt, der für ihre Zulassung in der klinischen Praxis von entscheidender Bedeutung ist, immer noch hinterherhinken. Darüber hinaus ist die Frage, wem die Bilder „gehören“, die zur Erstellung neuer Software ausgearbeitet wurden und die für neue Updates benötigt werden könnten, ein weiteres ernstes Problem.

Schlussfolgerung

Die Integration der KI in die Ultraschallbildgebung stellt einen Paradigmenwechsel in der medizinischen Diagnostik und Patientenversorgung dar. Durch die Verbesserung der diagnostischen Genauigkeit und der Effizienz der Arbeitsabläufe sowie dem erweiterten Zugang zu einer qualitativ hochwertigen Versorgung wird die KI die Standards der Ultraschallbildgebung neu definieren. Es ist jedoch unerlässlich, sich mit den Herausforderungen und ethischen Erwägungen im Zusammenhang mit KI auseinanderzusetzen, um eine verantwortungsvolle und wirksame Umsetzung zu gewährleisten.

Während wir das Potenzial der KI in der Ultraschallbildgebung weiter erforschen, wird die Zusammenarbeit zwischen Technologen, Klinikern und politischen Entscheidungsträgern von entscheidender Bedeutung sein. Gemeinsam können wir die Leistung der KI nutzen, um die Gesundheitsversorgung zu verändern, das Outcome der Patienten zu verbessern und die Grenzen der medizinischen Wissenschaft zu erweitern.

Dr. Bernardo Stefanini

Dr. Alice Giamperoli

Dr. Eleonora Terzi

Prof. Fabio Piscaglia

Conflict of Interest

Fabio Piscaglia: Astrazeneca, Bracco, BMS, ESAOTE, EISAI, GE, Gilead, IPSEN, MSD, Nerviano, Roche, Samsung, Signant Health, Siemens Healthineers.
All the other authors declare no conflict of interest.

• References

• 1 Gao Y, Zeng S, Xu X. et al. Deep learning-enabled pelvic ultrasound images for accurate diagnosis of ovarian cancer in China: a retrospective, multicentre, diagnostic study. Lancet Digit Health 2022; 4 (03) e179-e187
• 2 Moro F, Ciancia M, Zace D. et al. Role of artificial intelligence applied to ultrasound in gynecology oncology: A systematic review. Int J Cancer
• 3 Fu Y, Zhou J, Li J. Diagnostic performance of ultrasound-based artificial intelligence for predicting key molecular markers in breast cancer: A systematic review and meta-analysis. PLOS ONE 2024; 19 (05) e0303669
• 4 Eun NL, Lee E, Park AY. et al. Artificial intelligence for ultrasound microflow imaging in breast cancer diagnosis. Ultraschall in Med Stuttg Ger 1980 2024; 45 (04) 412-417
• 5 Vetter M, Waldner MJ, Zundler S. et al. Artificial intelligence for the classification of focal liver lesions in ultrasound – a systematic review. Ultraschall in Med. 2023; 44: 395-407
• 6 Zhu Y, Meng Z, Wu H. et al. Deep learning radiomics of multimodal ultrasound for classifying metastatic cervical lymphadenopathy into primary cancer sites: a feasibility study. Ultraschall in Med Stuttg Ger 1980 2024; 45 (03) 305-315
• 7 Fiorentino MC, Moccia S, Capparuccini M. et al. A regression framework to head-circumference delineation from US fetal images. Comput Methods Programs Biomed 2021; 198: 105771
• 8 Narang A, Bae R, Hong H. et al. Utility of a Deep-Learning Algorithm to Guide Novices to Acquire Echocardiograms for Limited Diagnostic Use. JAMA Cardiol 2021; 6 (06) 1-9
• 9 Wei Y, Yang B, Wei L. et al. Real-time carotid plaque recognition from dynamic ultrasound videos based on artificial neural network. Ultraschall in Med Stuttg Ger 1980 2023;
• 10 Piscaglia F, Stefanini B, Calliada F. et al. Ultrasound in clinical enviroments: Where are we standing?. Ultraschall in Med Stuttg Ger 1980 2023; 44 (04) 353-358
• 11 Marcus E, Teuwen J. Artificial intelligence and explanation: How, why, and when to explain black boxes. Eur J Radiol 2024; 173
• 12 Novelli C, Taddeo M, Floridi L. Accountability in artificial intelligence: what it is and how it works. AI Soc 2023;
• 13 Clusmann J, Ferber D, Wiest IC. et al. Prompt Injection Attacks on Large Language Models in Oncology. 2024;
• 14 Samoilenko R. New prompt injection attack on ChatGPT web version. Reckless copy-pasting may lead to serious privacy issues in your chat.

Publication History

Article published online:
06 September 2024