Daten
intelligent
vernetzen

Künstliche Intelligenz und Big Data helfen in der Medizin unter anderem bei der Auswertung von bildgebenden Verfahren und ermöglichen schnellere oder noch genauere Diagnosen.

Zwei Beispiele dafür, wie Künstliche Intelligenz bereits jetzt von den DZG genutzt wird, stellen wir hier vor.

Künstliche Intelligenz und und Big Data

KITechnologie

Künstliche Intelligenz

Künstliche Intelligenz
im Kampf gegen die
Flußblindheit

Mehr als 21 Millionen Menschen in Afrika sind mit dem Fadenwurm Onchocerca volvulus, dem Erreger der Flussblindheit, infiziert. Etwa jeder Zehnte der Betroffenen erblindet. DZIF-Wissenschaftler am Universitätsklinikum Bonn suchen nach effektiveren Waffen gegen den heimtückischen Parasiten.

„Es ist wichtig, Wirkstoffe zu finden, die die langlebigen erwachsenen Würmer direkt abtöten", sagt Prof. Dr. Achim Hörauf vom Institut für Medizinische Mikrobiologie, Immunologie und Parasitologie am Universitätsklinikum Bonn.

Für die Beurteilung neuer Substanzen in klinischen Studien müssen die Wissenschaftler den Behandlungserfolg bestimmen. Dieser wird derzeit anhand von Gewebeschnitten ermittelt, die von Experten unter dem Mikroskop begutachtet werden. Ein fehleranfälliges und zeitaufwendiges Verfahren. Hier soll die künstliche Intelligenz (KI) helfen.

„Um den Behandlungserfolg zu messen, müssen zunächst die Wurmknoten aus der Haut der Patienten entfernt und analysiert werden. Anhand von daraus abgetrennten dünnen Schnitten beurteilen Experten dann, in welchem Zustand der Fadenwurm sich gerade befindet", erklärt Dr. Ute Klarmann-Schulz, Leiterin einer DZIF-Nachwuchsgruppe, den Stand der Technik.

Sie und ihre interdisziplinäre Arbeitsgruppe an der Universität Bonn haben es sich zur Aufgabe gemacht, diesen Analyseprozess zu optimieren. Dazu wollen sie jetzt in Kooperation mit Dr. Daniel Kühlwein, Mitarbeiter des Center of Excellence für Künstliche Intelligenz beim Beratungsunternehmen Capgemini, ein Verfahren entwickeln, bei dem KI die Gewebeproben von Patienten unter dem Mikroskop automatisch auswertet.

Bei ihrer Methode greifen die Wissenschaftler auf bereits existierende Deep-Learning-Modelle zur Objekterkennung zurück und trainieren das System auf den speziellen Anwendungsfall. Das Projekt wird von der Bill & Melinda Gates-Stiftung gefördert.

Deep Learning

Deep Learning für
die medizinische
Bildanalyse

Bildgebende Verfahren wie die Magnetresonanz-Tomographie (MRT) gewähren detaillierte Einblicke ins Gehirn eines Menschen. Solche Gehirnscans können krankheitsbedingte Veränderungen sichtbar machen und bieten die Möglichkeit, im Rahmen klinischer Studien Risiko- und Schutzfaktoren zu identifizieren und die Wirkung neuer Medikamente einzuschätzen.

Die manuelle Auswertung von MRT-Daten ist allerdings extrem zeitaufwendig. Selbst die automatische Analyse der Bildinformationen eines einzelnen Gehirns erfordert erheblichen Rechenaufwand, der sich bei Studien mit vielen Teilnehmern potenziert. Künstliche Intelligenz (KI) kann diesen Prozess beschleunigen: Denn „smarte Algorithmen" sind in der Lage, die Ausmaße einzelner Hirnareale in kürzester Zeit zu vermessen.

Von besonderem Interesse sind dabei Regionen, die infolge neurodegenerativer Erkrankungen schrumpfen, weil Hirnsubstanz verloren geht: So geschieht es etwa bei Alzheimer. Somit lassen sich Veränderungen aufspüren, noch bevor Krankheitssymptome auftreten – mit dem Ziel, die „pre-symptomatische" Krankheitsphase besser zu verstehen und neue, frühzeitig ansetzende Therapien auf den Weg zu bringen.

„Wir entwickeln daher sogenannte Deep-Learning-Architekturen für die Bildanalyse, die um mindestens eine Größenordnung schneller sind als herkömmliche Ansätze", erläutert Prof. Martin Reuter, Arbeitsgruppenleiter am Deutschen Zentrum für Neurodegenerative Erkrankungen (DZNE). „Diese Algorithmen sind in der Lage, innerhalb eines dreidimensionalen MRT-Bildes fast einhundert verschiedene neuroanatomische Strukturen zu erkennen und deren Form und Volumen zu berechnen.

Das dauert nicht mal eine Minute. Traditionelle Verfahren benötigen dafür mehrere Stunden." In ähnlicher Weise lassen sich bei Ernährungsstudien die Ausmaße von Fettablagerungen bestimmen – und zwar vollautomatisch. „Im DZNE setzen wir KI-Verfahren in verschiedenen Bereichen ein", so Reuter. „Grundsätzlich ermöglichen solche Algorithmen die effiziente Analyse großer Datenmengen, wie sie bei Bevölkerungsstudien und großen klinischen Studien anfallen."

Auch interessant