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
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
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
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
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.
