Medical Image Analysis

Die medizinische Bildanalyse nutzt Computer Vision (CV) und künstliche Intelligenz (AI), um klinisch nützliche Informationen aus medizinischen Bildern zu gewinnen: Sie erkennt Befunde wie Lungenknötchen oder Knochenbrüche, grenzt Organe und Tumore ab, misst sie im Zeitverlauf und klassifiziert Krankheiten. Sie kommt bei Röntgenaufnahmen, CT, MRT, Ultraschall, PET, Netzhautfotos, Endoskopievideos und digitalisierten Pathologiepräparaten zum Einsatz. Sie ist der Interpretationsschritt nach der medizinischen Bildgebung – also nach den Scannern und Rekonstruktionsverfahren, mit denen die Bilder erzeugt werden. Klinische Analysewerkzeuge sind als Medizinprodukte reguliert, und die öffentliche Liste KI-gestützter Medizinprodukte der FDA umfasst weit über tausend Zulassungen, die meisten davon in der Radiologie.

So funktioniert die medizinische Bildanalyse#

Medizinische Bilder liegen im DICOM-Format vor, das neben den Pixeldaten auch Metadaten wie Patientenkennungen, Scannereinstellungen und den Abstand zwischen Schichten speichert. Die Vorverarbeitung hängt von der Modalität ab. CT-Pixelwerte sind als Hounsfield-Einheiten kalibriert. Daher bildet ein „Fenster“ für Lunge oder Knochen den relevanten Intensitätsbereich auf die Modelleingabe ab, während MRT-Intensitäten keine feste Skala haben und für jeden Scan normalisiert werden. CT und MRT erzeugen 3D-Volumen aus Hunderten von Schichten, die Modelle entweder Schicht für Schicht oder als Volumen verarbeiten. Digitalisierte Pathologiepräparate erreichen Milliarden von Pixeln und werden daher in Kacheln unterteilt und mit Multiple-Instance-Learning verarbeitet, wenn nur Labels für ganze Präparate vorliegen.

Die zentralen Aufgaben sind gängige Computer-Vision-Aufgaben, angewendet auf die Anatomie:

• Bildklassifizierung: Weist einem ganzen Bild ein Label zu, etwa ob ein Netzhautfoto eine diabetische Retinopathie zeigt, die eine Überweisung erfordert.
• Objekterkennung: Zeichnet Boxen um Befunde wie Knötchen, Knochenbrüche oder Darmpolypen und lenkt so den Blick der behandelnden Fachkraft.
• Bildsegmentierung: Beschriftet jedes Pixel oder Voxel, um Organe und Tumore für Volumenmessungen und die Bestrahlungsplanung abzugrenzen.
• Bildregistrierung: Richtet Scans derselben Person aus, die zu unterschiedlichen Zeitpunkten oder mit verschiedenen Modalitäten aufgenommen wurden, damit Veränderungen gemessen werden können.

Die Architektur U-Net wurde 2015 für die biomedizinische Segmentierung entwickelt. nnU-Net konfiguriert U-Net-Pipelines automatisch für neue Datensätze, und Open-Source-Frameworks wie MONAI bündeln diese Aufgaben mit speziell für die Medizin entwickelten Datenladern und Transformationen.

Das Feinabstimmen eines Detektors anhand annotierter Scans folgt demselben Ablauf wie in jeder anderen Domäne: Der Ultralytics-Datensatz zu Hirntumoren verbindet MRT-Schichten mit Tumorboxen. Das Training von Ultralytics YOLO26 damit ergibt ein Modell, das Tumorbereiche markiert, auch auf neuen Schichten:

from ultralytics import YOLO

# Einen mit COCO vortrainierten YOLO26-Detektor mit annotierten MRT-Aufnahmen des Gehirns feinabstimmen
model = YOLO("yolo26n.pt")
model.train(data="brain-tumor.yaml", epochs=100, imgsz=640)

# Tumorbereiche auf einer neuen MRT-Aufnahme erkennen
results = model("https://ultralytics.com/assets/brain-tumor-sample.jpg")
result = results[0]

# Die Aufnahme mit vorhergesagten Boxen und Konfidenzwerten speichern
result.save(filename="brain_tumor_result.jpg")

Anwendungen im Gesundheitswesen#

Ein weit verbreitetes Einsatzmuster ist die Triage. Eine Software, die eine vermutete Hirnblutung oder einen Verschluss großer Gefäße auf CT-Aufnahmen markiert, setzt die Untersuchung ganz oben auf die Arbeitsliste der Radiologin oder des Radiologen. Die abschließende Befundung durch die Radiologin oder den Radiologen dient zugleich als Kontrolle des Modells:

Weitere etablierte Anwendungen umfassen Vorsorgeuntersuchungen, Behandlungsplanung und Eingriffe:

• Vorsorge: In der randomisierten MASAI-Studie in Schweden entdeckte die KI-gestützte Mammografie-Vorsorge 29 % mehr Krebserkrankungen als die übliche Doppelbefundung, ohne mehr falsch positive Ergebnisse zu erzeugen. Zugleich verringerte sie den Aufwand der Radiologinnen und Radiologen für die Befundung der Vorsorgeaufnahmen um 44 %. 2018 war IDx-DR das erste von der FDA zugelassene Gerät, das eine Vorsorgeentscheidung zur diabetischen Retinopathie traf, ohne dass eine medizinische Fachkraft das Bild interpretieren musste.
• Onkologie: Segmentierungsmodelle grenzen Tumore und gefährdete Organe für die Bestrahlungsplanung ab und messen die Tumorgröße auf Folgeaufnahmen.
• Pathologie: Modelle durchsuchen digitale Ganzpräparate nach Krebs. 2021 wurde Paige Prostate als erste KI-Software von der FDA zur Krebsentdeckung in Prostatabiopsiepräparaten zugelassen.
• Endoskopie: Echtzeitdetektoren markieren Polypen während einer Darmspiegelung. GI Genius war 2021 das erste entsprechende KI-Gerät, das von der FDA zugelassen wurde.

Herausforderungen und Überlegungen#

• Fachkundige Labels: Für die Annotation sind Radiologinnen und Radiologen oder Pathologinnen und Pathologen nötig. Bei schwierigen Fällen sind sich Fachleute uneinig, weshalb annotierte Datensätze klein und teuer sind.
• Domänenverschiebung und Abkürzungslernen: Scanner, Protokolle und Patientengruppen unterscheiden sich zwischen Krankenhäusern. Eine Studie aus dem Jahr 2018 ergab, dass auf Röntgenaufnahmen des Brustkorbs trainierte Pneumonie-Klassifikatoren erkennen konnten, aus welchem Krankenhaus ein Bild stammte, und bei Aufnahmen aus Krankenhäusern außerhalb ihrer Trainingsdaten schlechter abschnitten.
• Verzerrungen in KI: Modelle, die mit nicht repräsentativen Patientengruppen trainiert werden, schneiden bei den unterrepräsentierten Gruppen schlechter ab.
• Erklärbarkeit: Heatmaps und andere Erklärungen helfen medizinischen Fachkräften zu prüfen, worauf sich ein Modell gestützt hat, bevor sie seinem Ergebnis vertrauen.
• Datenschutz und föderiertes Lernen: Patientendaten fallen in den USA unter HIPAA und in Europa unter die DSGVO. DICOM-Kopfzeilen und in Bilder eingeblendeter Text müssen anonymisiert werden. Föderiertes Lernen trainiert Modelle über mehrere Krankenhäuser hinweg, ohne Patientendaten zusammenzuführen.
• Regulierung und Aktualisierungen: Wesentliche Änderungen an einem zugelassenen Modell erfordern normalerweise eine neue Zulassungseinreichung. Die endgültige FDA-Leitlinie vom Dezember 2024 zu vorab festgelegten Plänen zur Änderungskontrolle ermöglicht es Herstellern, geplante Modellaktualisierungen und deren Validierung bereits in der ursprünglichen Einreichung anzugeben.