Читать книгу DIVI Jahrbuch 2021/2022 - Группа авторов - Страница 50

Bildanalysen gehören definitiv zu den am weitesten verbreiteten Einsatzgebieten der KI in der Medizin, weil hohe Datenmengen in strukturierter Form vorliegen und diese für den Menschen gar nicht verarbeitbar sind.

Erste Veröffentlichungen zur digitalen Unterstützung in der Corona-Pandemie adressieren besonders fokussiert die diagnostische Bildgebung, da zu Beginn der Pandemie noch wenig Bestand und Erfahrung zu PCR-Tests und diagnostischen Antigentests vorlag.

Im Bereich des maschinellen Lernens kommen im Kontext der Bildanalyse häufig sogenannte convolutional neural networks (CNN) zur Anwendung. CNNs simulieren den visuellen Kortex des menschlichen Gehirns und sind in der Lage, nach entsprechendem Training einzelne Merkmale in der Bildverarbeitung wie Ecken, Kanten und Formen, zu erkennen und zu extrahieren. Durch ihre Mehrschichtigkeit eignen sich CNNs besonders gut für die komplexe Bilderkennung.

Im Zusammenhang mit der COVID-Pandemie konnten diverse Studien die Anwendung von CNNs für die Anwendung der Diagnose- und Prognosestellung von Röntgen- und CT-Bildern genutzt werden. In einer Metaanalyse, in die 36 Studien und insgesamt 39.246 Bilddatensätze eingingen, lag für die diagnostische Unterteilung in COVID oder non-COVID die gepoolte Sensitivität bei 90% und die gepoolte Spezifität je nach zugrundeliegender KI-Methode zwischen 88 und 95% (5). Wenngleich also digitalisierte Verfahren insbesondere in der Bildanalyse einen klaren, belegbaren Vorteil zeigen, um bildmorphologisch eine COVID-19-Diagnose zu stellen, ist insgesamt sicherlich weitere Diagnostik und zusätzlich der klinische Verlauf erforderlich, um bei der Heterogenität des Krankheitsbildes eine valide Risikostratifizierung vorzunehmen.