Unterstützung medizinischer Diagnostik durch Deep Learning und künstliche Intelligenz
Nicht-invasive Bildgebungsverfahren wie Magnetresonanztomografie (MRT) und Computertomografie kommen in der Diagnostik und zur Überwachung von Krankheitsverläufen zum Einsatz. Mittels Hochleistungsrechnen (HPC) und Big Data-Auswertung können anhand der umfangreichen Bilddatensätze aus Magnetresonanz- und Computertomografien hochkomplexe Modelle generiert werden, die wiederum für das Training von KI-Programmen (künstliche Intelligenz) eingesetzt werden, um neue und wirksamere Therapien zu finden und zu fördern. Die genauesten und aussagefähigsten Modelle können dann in Softwareprogramme einfließen, die medizinische Entscheidungen vereinfachen (clinical diagnosing support system, CDSS). Diese KI-basierten Unterstützungssysteme führen patientenbezogene Daten zusammen und umfassen häufig auch automatisierte Warnhinweise und Erinnerungen an das Pflegepersonal, sodass deren Anwendung enormes Potenzial für die Humanmedizin birgt.
Recheneffizienz und Kompatibilität
„Aus technischer Sicht liegen die Vorteile der CDSS auf der Hand“, erklärt Jon Ander Gomez, technischer Leiter des Projekts DeepHealth an der Polytechnischen Universität Valencia (UPV), Spanien. „Die Herausforderung ist allerdings, sie genauer anzupassen und neue Entwicklungen einfließen zu lassen.“ Den Auftakt für das vom spanischen Unternehmen NTT DATA (spanische Webseite) koordinierte EU-finanzierte Projekt DeepHealth lieferte eine Forschungskooperation zwischen der Universität und der FISABIO-Stiftung. Deren Schwerpunkt waren MRT-Bildverarbeitung in der Alzheimer-Diagnostik und MRT-Bildgebung der Wirbelsäule. „Dabei zeigte sich allerdings eine mangelnde Homogenität zwischen Softwareanwendungen und Bibliotheken, was den Aufbau von Pipelines zur Verarbeitung medizinischer Daten – vorrangig Bilder – und das schnelle Training KI-basierter Modelle behinderte“, erklärt Gomez.Eine weitere Schwachstelle, die behoben wurde, war die ineffiziente Rechenleistung bei der Verarbeitung großer medizinischer Bilddatensätze.
Anwendung medizinischer Testfälle
Ziel von DeepHealth war es, Fachleute für Datenwissenschaft im medizinischen Sektor beim Training von KI-basierten Modellen zu unterstützen, insbesondere die Erstellung zweier neuer Bibliotheken – der European Distributed Deep Learning Library (EDDL) und der European Computer Vision Library (ECVL). „Über die ECVL können medizinische Aufnahmen jeglichen Formats hochgeladen und Bildtransformationen durchgeführt werden, um damit tiefe neuronale Netzwerke zu trainieren“, erläutert Monica Caballero, Koordinatorin des Projekts DeepHealth am NTT DATA in Spanien. Die EDDL wiederum offeriert Deep-Learning-Funktionalitäten und kann die Rechenleistung zwischen verfügbaren Rechenressourcen aufteilen. Ein wichtiges Ergebnis war die Optimierung beider Bibliotheken für eine bessere Kompatibilität mit unterschiedlichen Betriebssystemen. Beide Bibliotheken wurden in sieben Softwareplattformen integriert und anhand von 15 Endanwendungen evaluiert, etwa der Diagnose von Dickdarm- und Lungenkrebs sowie Prognosen zu Migräne- und epileptischen Episoden. In allen Fällen konnte das Projektteam die Vorteile von Deep-Learning-Verfahren bei der Diagnostik spezifischer Erkrankungen demonstrieren.
Open-Source-Tool für bessere Diagnostik
ECVL und EDDL sind die Kernbibliotheken des DeepHealth-Toolkits. Das Toolkit umfasst eine Backend-Lösung mit allen Funktionalitäten der Bibliotheken und eine Frontend-Lösung mit webbasierter Benutzungsoberfläche. „So kann datenwissenschaftliches Personal auch ohne fundiertere Kenntnisse in Deep Learning, computergestützter Bildanalyse oder HPC verschiedenste Anwendungen ausführen“, sagt Gomez. Das Toolkit ist ein kostenfrei zugängliches Open Source-Werkzeug. „Primär wollen wir nun den Einsatz des DeepHealth-Toolkits – insbesondere der DeepHealth-Bibliotheken – in Forschungseinrichtungen und Industrie fördern“, schließt Caballero. Bis dahin werden die Bibliotheken und das gesamte Toolkit weiter optimiert. Durch bessere Zugänglichkeit, gemeinsame Nutzung und effizientere Verarbeitung großer medizinischer Bilddatensätze leistete DeepHealth einen wichtigen Beitrag zur gezielteren medizinischen Versorgung und Behandlung.
Schlüsselbegriffe
DeepHealth, Biomedizin, Medizin, MRT, KI, Open Source, Datensätze, Diagnostik, Bildgebung
