bool(false)

Wie KI die Dermatologie verbessert

Wie KI die Dermatologie verbessert
Die Analyse von Bildern und das Erkennen von Krankheitsmustern lassen sich mit Deep Learning in hoher Qualität umsetzen. Hier erkennt die von der Hochschule Luzern und dem Unispital Basel entwickelte KI Läsionen und hilft den Schweregrad einer Hauterkrankung zu klassifizieren.

Von Ludovic Amruthalingam

Mit KI die Zukunft der Dermatologie gestalten: Doktorand Ludovic Amruthalingam und sein Team verbinden KI-Modelle und klinische Expertise. Sie haben ein KI-Modell entwickelt, welches hilft, Hautkrankheiten zu erkennen und deren Schweregrad zu bestimmen. In diesem Beitrag erklärt Amruthalingam, wie das funktioniert.

Es gibt über 2’000 verschiedene Hautkrankheiten. Um sie unterscheiden und analysieren zu können, müssen Dermatologinnen und Dermatologen während ihrer Laufbahn Hunderttausende von Patientenbildern studieren. Dieser Lernprozess ähnelt sehr der Art und Weise, wie Deep-Learning-Modelle funktionieren.

So funktionieren Deep-Learning-Modelle

Deep-Learning-Modelle lernen durch riesige Datenmengen selbstständig Muster zu erkennen, die für den Menschen zum Teil kaum zu unterscheiden sind. Durch Algorithmen werden Abweichungen oder Gemeinsamkeiten aufgedeckt und daraus komplexe statistische Modelle entwickelt. Diese Modelle können Vorhersagen treffen oder Empfehlungen generieren. 

Deep-Learning-Modelle sind die Grundlage der Künstlichen Intelligenz (KI) und lernen ganz unterschiedliche Aufgaben zu erfüllen: etwa neue Bier– oder Guetzlirezepte zu erstellen oder Ärztinnen und Ärzte bei ihrer klinischen Tätigkeit zu unterstützen.

Im Vergleich zum Menschen benötigen KI-Modelle viel mehr Daten, um trainiert zu werden. Unter anderem, weil sie statistische Assoziationen statt kausaler Beziehungen lernen.

KI-Modelle sind sehr wertvoll für die Automatisierung von sich wiederholenden und genau definierten Aufgaben.

Sind die Daten verfügbar, sind die KI-Modelle in verschiedenen Bereichen jedoch präziser und zuverlässiger als menschliche Expertinnen und Experten. Somit sind sie sehr wertvoll für die Automatisierung von sich wiederholenden und genau definierten Aufgaben.

Kooperation zwischen Luzern und Basel

Um die Zukunft der Dermatologie zu gestalten, arbeitet ein Team der Hochschule Luzern zusammen mit dem Universitätsspital Basel und dem Departement Biomedizinische Technik der Universität Basel an der Entwicklung von KI-Werkzeugen.

Die Dermatologie der Zukunft wird durch die Kombination von klinischer Expertise und KI entstehen. Im Video erklärt ein Forschungsteam der Hochschule Luzern und des Universitätsspitals Basel, wie die Analyse von Hautbildern mit maschinellem Lernen genauere Behandlungen ermöglicht und die Gesundheitsdienste auch in entlegenen Gebieten verbessert.

Die Kombination von klinischer Expertise und KI ist kurz gesagt das Thema meiner Doktorarbeit. Mit der Unterstützung des Algorithmic Business Research Lab entwickle und trainiere ich Deep-Learning-Modelle um Hautärztinnen und Hautärzte bei ihrer täglichen Arbeit zu unterstützen.

Nachfolgend beschreibe ich ein Projekt, bei dem wir KI einsetzen, um Läsionen, sprich Beeinträchtigungen des Körpergewebes, automatisch zu bewerten.

KI zur Klassifizierung von Hautläsionen

KI eignet sich gut, um den Schweregrad von Läsionen zu bewerten. Dies ist äusserst wichtig, da es die Behandlungsempfehlungen beeinflusst und die Entwicklung einer Krankheit damit genau verfolgt werden kann.

Derzeit erfüllen Dermatologinnen und Dermatologen diese Aufgabe anhand einer Liste von Standardkriterien. Eines davon ist die Grösse der Läsionen, die in der Regel grob anhand einer Skala von 0 bis 4 bewertet werden (wobei 4 der schwerste Fall ist).

Die Abbildung zeigt das Original-Patientenbild (a), die Anmerkungen der Dermatologen (b) und die Modellvorhersagen (c). Können Sie zählen, wie viele Läsionen es gibt?

Das Problem der manuellen Bewertung

Diese manuelle Bewertung ist mühsam, vor allem, wenn es viele Läsionen gibt. Ausserdem erfordert eine präzise Analyse viel Erfahrung. Aus diesen Gründen können Läsionen von verschiedenen Dermatologinnen und Dermatologen unterschiedlich eingestuft werden. Das ist nicht wünschenswert.

Ein von uns entwickeltes Deep-Learning-Modell hat dieses Problem gelöst. Mit Hilfe des Unispital Basels bereitete ich einen Datensatz von Patientenbildern für eine Krankheit namens Palmoplantare Pustulöse Psoriasis vor. Die Krankheit verursacht Dutzende von schmerzhaften Läsionen an den Händen und Füssen der Patientinnen und Patienten.

Die Hautärztinnen und Hautärzte des Universitätsspitals markierten die sichtbaren Läsionen auf jedem Bild – was eine sehr schwierige Aufgabe ist. Sie nutzen dazu eine Webplattform auf der sie die Läsionen auf den Bildern manuell markieren können. Für jedes Projekt müssen wir in der Regel circa 200 Bilder beschriften, von denen jedes zwischen eins, zwei und über 100 Läsionen enthält.

Unser Deep-Learning-Modell analyisert Patientenbilder automatisch.

Dann trainierte ich ein KI-Modell, um die Läsionen automatisch zu segmentieren, zu zählen und ihre Oberfläche zu messen. Für das Training verwendete ich anonymisierte Krankenhausdaten wie Bildern von Läsionen angereichert mit Informationen zur Diagnose. Die Ergebnisse sind überwältigend!

Die KI macht die Arbeit effizienter und präziser

Mit Hilfe dieses Modells können Patientenbilder nun automatisch analysiert werden. Anhand seiner Vorhersagen lässt sich genau verfolgen, wie sich die Krankheit im Laufe der Zeit entwickelt oder wie wirksam eine bestimmte Behandlung ist. Das Programm braucht für eine Patientenanalyse 30 Sekunden. Dermatologinnen und Dermatologen benötigen für die gleiche Arbeit 15 Minuten.

Erfolgsfaktor: Qualitative und mit Informationen angereicherte Daten

Dies ist vor allem für Unternehmen, die Medikamente entwickeln, von grossem Nutzen, da sie sich heute auf eine kostspielige manuelle Auswertung mit begrenzter Genauigkeit verlassen müssen.

Dieser Ansatz lässt sich auf verschiedene Probleme übertragen. Zum Beispiel auf andere Krankheiten, automatische Schweregradeinteilung oder die Überwachung der Krankheitsentwicklung.

KI-App für Selbstdiagnose in Afrika

Das ist nur eines meiner Projekte. Ich arbeite auch noch an einer KI-App, mit welcher sich Menschen in afrikanischen Ländern via Handyfotos selbst untersuchen können. Aber auch die Anatomie-Segmentierung von Fotos vor chirurgischen Eingriffen gehört dazu.

Wichtig ist immer, dass die Daten mit Kommentaren von Fachpersonen versehen sind und ein klar definiertes Lernziel enthalten.

Lesetipp: Bereits 2015 brachte ein Team der Hochschule Luzern einem Computerprogramm bei, Hautekzeme zu erkennen. Mehr über das Projek Skin App erfahren Sie im Magazin der Hochschule Luzern erschienen Artikel Diagnose-Software: Der elektronische Arzthelfer oder im Blog-Beitrag Mit Rechenpower gegen Hautekzeme.

Doktorand mit Engagement für KI und Dermatologie

Ludovic Amruthalingam

Ludovic Amruthalingam ist Doktorand und arbeitet beim Algorithmic Business Research Lab. 2018 hat er mit seiner Promotion zum Thema «Deep Learning in der klinischen Dermatologie» begonnen. Er ist auch Teil der digitalen Dermatologie-Gruppe von Prof. Dr. Navarini an der Universität Basel. Bevor er 2015 seinen Master in Informatik an der ETH gemacht hatte, war er Unternehmer in der IT (Projekte in der Softwareentwicklung und Data Science) und dann im Gesundheitswesen (Herstellung von orthopädischen Schuhen mit 3D-Scans).

Medtech-Kooperation: Wo Biologie und Medizintechnik auf Künstliche Intelligenz treffen.

Künstliche Intelligenz nutzen, um medizinische Diagnosen sicherer und skalierbar zu machen. Das ist nur ein Beispiel der zukünftigen Medizin, für die wir uns einsetzen. Dazu bedarf es der Zusammenarbeit zwischen Biologen, Medizintechnikerinnen und Informatikern. Im neuen Forschungs- und Entwicklungs-Joint-Venture der Hochschule Luzern wird diese gelebt.

Informiert bleiben

Tipps, Trends und Neuigkeiten aus der Welt der Informatik, Porträts von IT-Vordenkerinnen, Visionären und spannenden Menschen: Abonnieren Sie jetzt unseren Blog!

Publiziert: 15. Oktober 2021

Beitrag teilen

  • Mail
  • Kommentare

    0 Kommentare

    Kommentar verfassen

    Danke für Ihren Kommentar, wir prüfen dies gerne.

    Pin It on Pinterest