Gleich am Anfang macht PD Dr. Tobias Lasser deutlich: Künstliche Intelligenz ist bei weitem noch nicht so intelligent, wie es manche sich erhoffen. Und vor allem haben viele Forschungsarbeiten in diesem Bereich mit dem klinischen Alltag häufig recht wenig Berührungspunkte. Seine Arbeitsgruppe, die am Munich Insitute of Biomedical Engineering der Universität München (TUM) das Themengebiet „Computational Imaging and Inverse Problems“ bearbeitet, ist diesen Punkt angegangen und hat einen Algorithmus zur Klassifizierung von Hautkrankheiten entwickelt. Dafür wurde auch der Arbeitsprozess von Ärztinnen und Ärzten berücksichtigt. Denn während vergleichbare Algorithmen oft nur Bilddaten für eine Diagnose auswerten, ist der Berufsalltag in der Klinik komplexer – in die Entscheidungsfindung fließen neben Bildern meist auch weitere Patienteninformationen ein wie Alter, Vorerkrankungen, bisheriger Behandlungsverlauf.

„Um eine wirklich belastbare Entscheidungsunterstützung durch künstliche Intelligenz zu erreichen, muss der Algorithmus genauso viel wissen wie der Arzt. Neben Bilddaten müssen also alle verfügbaren Metainformationen zum Patienten in die Bewertung mit einbezogen werden“, erklärt Lasser. Darin unterscheidet sich der TUM-Algorithmus von anderen Algorithmen. Das macht ihn genauer. Und durch einen weiteren Kniff ließ sich die Diagnosegenauigkeit noch zusätzlich steigern: Es wird eine neue Art der Datenfusion eingesetzt. Das heißt, über einen mehrstufigen Ansatz werden die unterschiedlichen Daten ausgewertet und später zusammengeführt.

Zuerst werden die Bilddaten – also in der Klinik aufgenommene Fotos und mikroskopische Bilder der verdächtigen Hautläsion – auf Merkmale hin analysiert und dann eine Klassifikation vorgenommen, also beispielsweise, ob eine bestimmte Hauterkrankung vorliegt. Auf einer anderen Stufe werden die Metadaten der Patienten gesondert bewertet und Voraussagen getroffen. Erst dann werden alle Merkmale und Entscheidungen zusammengeführt und eine Gesamtentscheidung getroffen. Üblicherweise wurden bisher Merkmale der Bild- und Metadaten gemeinsam in einem Schritt bewertet, was eine Gewichtung der unterschiedlichen Daten unmöglich machte. Dass sich dieser mehrstufige Ansatz bewährt, konnte Lassers Arbeitsgruppe nachweisen: Mit einer Genauigkeit von 78,5 Prozent schneidet er besser als andere Algorithmen ab.

Höhere Genauigkeit durch strukturierte Daten

Und es könnte noch genauer werden. Denn trainiert wurde der TUM-Algorithmus lediglich mit öffentlich verfügbaren Daten, deren Metadaten allerdings nur beschränkt aussagekräftig sind. „Der Algorithmus hat sich in der Klassifikation von verschiedenen dermatologischen Krankheiten bewährt. Aber sobald mehr oder bessere Daten zur Verfügung stehen, insbesondere durch die strukturierte Datenaufnahme auch bessere Metadaten, kann der Algorithmus immer wieder neu trainiert werden und dadurch genauere Ergebnisse erzielen.“ Lasser erwartet eine deutliche Entwicklung hin zu mehr als 90 Prozent Diagnosegenauigkeit.

Da kommt das Klinikum der Universität München (LMU Klinikum) ins Spiel. Seit anderthalb Jahren arbeiten die Technische Universität München und das LMU Klinikum an diesem Projekt zusammen. Die Anwendung des Algorithmus in der Klinikroutine wird dort erprobt. Und an der Partnerklinik wird gerade ein Metadatensatz erzeugt, der die Palette öffentlich zugänglicher Datensätze beträchtlich übertrifft. Dass dies möglich ist, liegt an einer neuen modularen Softwareplattform, die im vergangenen Sommer zuerst in der Dermatologie der Klinik eingeführt wurde und sukzessive im gesamten Haus eingesetzt werden soll. Diese Plattform wurde vom Unternehmen Avelios Medical entwickelt, das sich auf die Digitalisierung von Arbeitsabläufen in Kliniken und eine datenbasierte Patientenversorgung spezialisiert hat.

Dr. Sebastian Krammer ist nicht nur einer drei Unternehmensgründer, sondern hatte davor auch in der Klinik und Poliklinik für Dermatologie und Allergologie des LMU Klinikums als Assistenzarzt gearbeitet und neben der klinischen Tätigkeit dort eine Forschungsgruppe für künstliche Intelligenz (KI) aufgebaut. Diese leitet er weiterhin. Für ihn bedeutet die Kooperation also eine Verschmelzung verschiedener Professionen, die er gut in Personalunion widerspiegelt: Als Arzt weiß er, was es braucht, um KI-Systeme in die Klinikroutine zu überführen – es darf den Alltag vor allem nicht komplizierter machen und muss ohne zeitlichen sowie organisatorischen Mehraufwand auskommen. Sie müssen sich also nahtlos in den Workflow einfügen.

Um KI aber überhaupt sicher und genau einsatzfähig machen zu können, braucht es genügend Daten, mit denen der Algorithmus optimal lernen kann. Als Unternehmer möchte Krammer diese beiden Punkte miteinander verbinden, die Technik dafür bereitstellen, um strukturierte Daten automatisch zu generieren, den TUM-Algorithmus weiterzuentwickeln und so startklar für den Einsatz in der Klinik zu machen.

Algorithmus unterstützt bei der Entscheidungsfindung

Durch die im LMU Klinikum eingeführte Softwareplattform wird eine vollständige digitale Behandlungsdokumentation ermöglicht. Im Hintergrund werden dabei automatisch und ohne zusätzliche Arbeit von Ärzten strukturierte Datensätze erzeugt. Das heißt, bis zu 2000 strukturierte Datenpunkte werden pro Patient erfasst – zum Beispiel darüber, welche Symptome an welchen Lokalisationen der Patient zum Zeitpunkt der Konsultation zeigte. Dazu kommen sämtliche Metadaten wie Vorerkrankungen des Patienten, Allergien, bisher verschriebene Medikamente und — weil die Datenbanken von Avelios an internationale Ontologien wie SNOMED CT, LOINC und HPO gekoppelt sind — die korrekte medizinische Diagnosebezeichnung mit Therapieverordnung. Kommt der Patient wiederholt in die Klinik, ist dessen Patient Journey somit vollständig nachvollziehbar.

Allein in der Dermatologie lassen sich pro Jahr auf diese Weise die Daten von etwa 60 000 ambulanten Patientenfällen erheben. Auf Grundlage dieser Daten kann KI beispielsweise Muster in Erkrankungen erkennen. Der Mensch allein wäre aufgrund der Vielzahl an Daten und deren komplexen Zusammenhängen dazu nicht in der Lage.

Für Krammer bietet eine zunehmende Digitalisierung in Krankenhäusern nicht nur eine bessere Voraussetzung für Forschung und optimierte Arbeitsabläufe, sondern auch einen Vorteil für die Patienten: „Vieles wird durch die Digitalisierung einfach schneller, besser und leichter. Das heißt, durch den Einsatz von Algorithmen kann man zum Beispiel die durchschnittliche Behandlungsqualität steigern. Weil die ärztliche Entscheidungsfindung unabhängiger wird von Faktoren wie Stress, Übermüdung oder auch der klinischen Erfahrung eines Arztes.

Lassers Forschungsgruppe hatte den Algorithmus namens FusionM4Net, bedingt durch die Limitationen des verwendeten öffentlichen Datensatzes, zur Unterscheidung fünf verschiedener Kategorien von Hautveränderungen trainiert. Mittlerweile ist das Spektrum am LMU Klinikum breiter geworden. Neben den verschiedenen Hautkrebsarten werden nun unter anderem ebenso häufige dermatologische Krankheitsbilder wie Akne, Rosazea, Psoriasis oder Atopisches Ekzem klassifiziert. Krammer verspricht sich davon eine sinnvolle Unterstützung in der Diagnosefindung von Ärztinnen und Ärzten.

Integration in Patientenportal

Aktuell liegt der Fokus noch darauf, den Algorithmus an realen klinischen Daten – inklusive Metadaten – weiter zu trainieren und robuster zu machen. Doch für die Zukunft sieht Krammer noch weiteres Potential in der Anwendung des TUM-Algorithmus, wenn Avelios Medical diesen beispielsweise in ihr Patientenportal integriert: „Man kann ihn in telemedizinische Services oder bei Online-Terminvergaben einbinden. Dadurch kann man zum Beispiel auch eine automatische Triagierung der Patienten möglich machen. Es lassen sich sehr viele Anwendungsszenarien erstellen, die tatsächlich zu einer Verbesserung in der Patientenversorgung führen können.“

Termine in der Dermatologie sind mit einer bestimmten Wartezeit von Wochen, manchmal auch Monaten verbunden. Wenn Patienten bei der Online-Terminvergabe nun ein Foto von ihrer Hauterkrankung bereitstellen, wäre durch den Algorithmus eine automatische Triagierung denkbar. So könnten Fälle, die eine Notfallversorgung benötigen – zum Beispiel, wenn auf dem Bild Schwarzer Hautkrebs erkannt wird – automatisch höher priorisiert werden. Auf diese Weise wäre eine zeitnahe Diagnose durch den Arzt und dadurch ein schneller Therapiebeginn möglich, was letztlich den Behandlungserfolg des Patienten verbessern könnte.

Interpretierbarkeit von Algorithmen

Doch damit der Algorithmus in der Klinik erfolgreich eingesetzt werden kann, braucht es neben vielen und vor allem qualitativ hochwertigen Daten für Tobias Lasser und Sebastian Krammer noch etwas Wesentliches: Das KI-System muss vertrauensvoll sein, Ärzte müssen den Prozess der Entscheidungsfindung nachvollziehen können. Es muss klar sein, warum eine Hauterkrankung klassifiziert wurde, welche Daten zu diesem Ergebnis geführt haben. Derzeit wird an der TU München unter anderem an der Interpretierbarkeit von Algorithmen geforscht und an der sogenannten out-of-distribution detection. Das heißt, es wird nach Wegen gesucht, wie der Algorithmus erkennt, dass er Bildmaterial nicht einordnen kann – weil es beispielsweise in den Trainingsdaten nicht vorgekommen ist – und deshalb keine Vorhersage getroffen werden sollte.

„Die Erklärbarkeit des Algorithmus ist absolut essentiell – die Ärzte können sonst nicht darauf vertrauen oder es kann auch zu Fehlentscheidungen führen. Es muss für den Arzt so nachvollziehbar wie möglich sein, damit er weiß: In diesem Fall kann der Algorithmus nicht sinnvoll eingesetzt werden, während er in einem anderen Fall hilft, unter anderem weil der Arzt vielleicht noch nicht so viele Hautkrebsformen gesehen hat und ihm dadurch eine auffällige Region auf einem Bild gezeigt wird“, sagt Sebastian Krammer dazu. Insgesamt sieht er in dem Algorithmus einen Gewinn sowohl für Ärzte als auch Patienten. Deshalb beabsichtigt Avelios Medical auch, den Zertifizierungsprozess anzugehen, damit der Algorithmus als Medizinprodukt zugelassen wird. Sobald dies geschehen ist, soll er dann als Add-On ins Unternehmensprogramm aufgenommen werden.