Gerade in der Radiologie zeigt sich, dass Maschinenlernalgorithmen einen nützlichen Beitrag leisten können. Das liegt einerseits daran, dass bildgebende Diagnostik mit Mustererkennung zu tun hat. Andererseits werden hier Geräte zur Bilderzeugung genutzt, die relativ einfach durch Software-Lösungen erweitert werden können, die eine Interpretation der Bilder mitliefert. Probleme mit Schnittstellen gibt es hier kaum.
Bei eindeutiger Fragestellung sind Algorithmen sehr gut
In verschiedenen Veröffentlichungen berichten Wissenschaftler, dass lernende Algorithmen in manchen Applikationen in der Klassifizierung von Bildern bereits so sicher sind wie Ärzte. Voraussetzung ist jedoch eine klare Fragestellung, auf die die Programme vorher trainiert werden müssen. In einer der erwähnten Studien konnte beispielsweise ein Algorithmus sehr gut zwischen Daten von Alzheimer-Patienten und Normalbefunden unterscheiden. Das System musste also nur diese zwei Arten von Daten unterscheiden. Wichtig ist, dass zuvor Bildgebungsprotokolle festgelegt werden, die im Studienverlauf nicht verändert werden, um die Vergleichbarkeit der Daten zu gewährleisten. Unterschiede in den Daten entstehen somit lediglich durch das Krankheitsbild.
Das klingt zunächst nicht sonderlich beeindruckend – ein Algorithmus unterscheidet zwischen zwei Arten von Daten. Doch das Training der Programme ist eine Herausforderung, denn auch Bilder von gesunden Patienten weichen stark voneinander ab, zum Beispiel wegen einer gutartigen Erkrankung oder aufgrund des Alters. Aber tatsächlich ist die Treffergenauigkeit dieser Maschinenlernalgorithmen inzwischen ziemlich gut. So haben Forscher des Universitätsklinikums Essen einen Deep-Learning-Algorithmus auf die Erkennung von Lungenfibrosen trainiert. Nach wenigen Lernzyklen konnte ein Computer die Diagnose sogar besser stellen als ein Arzt. In der Praxis könnten Radiologen von solchen Systemen in ihrer täglichen Arbeit profitieren, zum Beispiel wenn es gelänge, einen Automatismus für die Unterscheidung von Normalbefunden von krankhaften Befunden fest zu installieren.
Selbstlernende Systeme als Hilfsmittel bei der Diagnose
Eine Besonderheit dieser Systeme ist, dass sie zu einem gewissen Grad selbstoptimierend sind. Sie lernen also eigenständig und vergessen auch seltene Erkrankungen nicht. Dennoch: Maschinenlernalgorithmen funktionieren bisher nur in recht begrenzten Fragestellungen und sie sind auch nur so gut, wie das Material, mit dem sie trainiert wurden. Das bedeutet, in der Radiologie sind sie derzeit eher als Hilfsmittel und Ergänzung für die Diagnose denkbar. Sorge, bald überflüssig zu werden, müssen Radiologen also nicht haben. Idealerweise verhilft die Technik ihnen zu mehr Zeit, sich auf auffällige Bilder und schwierige Befunde zu konzentrieren.
