Fraunhofer-Institut für Kognitive Systeme

Was alles möglich ist, war auch auf der diesjährigen DMEA, dem jährlichen Branchentreff für die Medizinbranche, zu sehen. Beispielsweise stellte das Fraunhofer-Institut für Kognitive Systeme IKS Fallbeispiele vor, in denen sie KI-Tools entwickelt haben:

• für die frühzeitige Vorhersage unerwünschter Ereignisse,

• für die gemeinsame Entscheidungsfindung von KI und Ärzten (auch bekannt als kausal-informierte Entscheidungshilfe),

• für die Messung der Behandlungsreaktion einzelner Patienten vor der Verschreibung bestimmter Behandlungen und

• für die Optimierung von Richtlinien in Krankenhäusern.

Erstmals zu sehen waren die KI-Validierungswerkzeuge, die am Fraunhofer IKS entwickelt wurden. Diese Werkzeuge dienen laut Fraunhofer der Bewertung und quantitativen Messung der Vertrauenswürdigkeit, wie beispielsweise KI-Robustheit und Zuverlässigkeit, eines beliebigen KI-Modells. Eines dieser Validierungs-Tools ist PARCS, mit dem KI-Entwickler genauere Aussagen über die Verallgemeinerbarkeit ihrer Modelle treffen sollen. „KI ist ein leistungsfähiges Werkzeug für die Entwicklung optimierter, effizienter und präziser medizinischer Instrumente der nächsten Generation, die unbedingt vertrauenswürdig sein müssen“, betont Narges Ahmidi, Abteilungsleiterin ­Reasoned AI Decisions am Fraunhofer IKS.

Für die Früherkennung von Brustkrebs hat Fraunhofer IKS neue Quantencomputing-Ansätze vorgestellt. Gerade bei der Diagnostik müssen die Datenanalysen und damit die Vorhersagen präzise und zuverlässig sein. Wie das Fraunhofer-Institut erklärt, scheiterten hier etablierte Methoden oft, da gerade bei selteneren Krankheiten die benötigten großen Datenmengen nicht vorhanden seien. Quantencomputing (QC) könne hier unterstützen, da QC-unterstützte Algorithmen eine höhere Vorhersage-Genauigkeit auch im Kontext limitierter Trainingsdaten erreichen könnten.

Diese Effekte können laut Fraunhofer auch in der medizinischen Bildgebung genutzt werden. Das Institut habe QC-unterstützte Algorithmen entwickelt, die helfen können, auf 2D-Ultraschallbildern Brustkrebstumore zu erkennen, oder auf 3D-CT-Bildern Knötchen in der Lunge als gutartig oder bösartig zu klassifizieren. „Aktuell kann der Algorithmus zwar nur recht kleine Bilder prozessieren, jedoch zeigen unsere Arbeiten bereits jetzt, dass der Einsatz von Quantencomputern als Hilfestellung in der medizinischen Bildgebung perspektivisch sehr sinnvoll sein kann“, sagt Jeanette Lorenz, Abteilungsleiterin Quantum-enhanced AI am Fraunhofer IKS.

Projekt „MED²ICIN“

Ziel des Projekts „MED²ICIN“ ist es, Mediziner bei der Wahl der bestmöglichen und kosteneffizientesten Behandlung für Patienten zu unterstützen. Dazu haben sich sieben Fraunhofer-Institute zusammengetan und ein klinisches Entscheidungs-Unterstützungs-System in Form eines Dashboards entwickelt, das Daten übersichtlich in einem modularen Aufbau darstellt und nicht nur die Qualität der Patientenversorgung verbessern, sondern auch eine gezielte und wirksame Behandlung ermöglichen soll.

Die Software basiert auf einem Datenmodell mit integrierten klinischen Patientendaten, wie Laborbefunden und erfolgten Untersuchungen. Der Prototyp des Patientenmodells entstand dabei im Bereich der Colitis Ulcerosa. Dafür nutzten die Fraunhofer-Institute die Daten von insgesamt 600 Patienten mit chronisch-entzündlichen Darm­erkrankungen (CED), da diese Patientengruppe meist einen sehr langen Krankheitsverlauf hat und somit viele Daten entstehen. Künftig ist der Einsatz des Patientenmodells jedoch für eine Vielzahl chronischer Krankheiten denkbar. Außerdem beinhaltet die Software klinische Leitlinien. Diese Leitlinien bilden das „Behandlungskorsett“, also die Vorgaben, wie verschiedene Behandlungen abzulaufen haben. Das Besondere an MED²ICIN: Neben Patientendaten und Leitlinien beinhaltet das Datenmodell gesundheitsökonomische Daten und somit die Kosten für jede mögliche Behandlung und jeden möglichen Therapiepfad.

Weitere Informationen zum Projekt

MED²ICINBehandlungs-Effekte vergleichen

Die Software der Fraunhofer-Institute erlaubt es Medizinern, Patienten mit ähnlichen Krankheitsverläufen zu vergleichen und so die Wirksamkeit unterschiedlicher Behandlungen und Behandlungsmethoden zu beurteilen. Dazu können einzelne Module – wie der zeitliche Verlauf eines Patienten und seiner Krankheit – grafisch dargestellt werden. Anhand dieser Darstellung ist dann erkennbar, wie Patienten auf diverse Therapien oder Medikamente reagiert haben. So können die behandelnden Ärzte von der KI-Anwendung lernen und bestmögliche Handlungsempfehlungen aussprechen. Eine solche Analyse ist dabei auch bei Patientengruppen (Kohorte) möglich.

Auf der nächsten Seite: Unterstützung im OP-Saal.

(ID:49625148)