Pictures of the Future      Frühjahr 2008

Unermüdliche Helfer

Computer müssen künftig vor allem eines können: den Menschen als unsichtbare Helfer unter die Arme greifen. So werden sie bei bildgebenden Verfahren der Medizintechnik Anomalien erkennen, bei Industrieprozessen blitzschnell Entscheidungshilfen geben, aus Erfahrungen lernen und permanent Wissen ansammeln – überall entstehen hier bereits erste Software-Lösungen von Siemens.

Muster aus Bits und Bytes, die noch vor wenigen Jahren weder von Menschen noch von Maschinen wahrgenommen wurden, machen heute medizinische Behandlungen individueller und effektiver, Produktionsprozesse flexibler und schneller und Sicher­heitskameras intelligenter. Ob im Gesundheitswesen (Digitale Assistenzärzte), in der Überwachungstechnik (Assistenten für die Sicherheit), in der Risikoanalyse (Computer im Finanzsektor) oder im Wasser- und Energie­management (Assistenten für Energie und Wasser): Auf einer Vielzahl von Gebieten haben sich Algorithmen zur ­Datenanalyse, Wissensverarbeitung und Mus­tererkennung mittlerweile zu unsichtbaren Helfern entwickelt.

Vor allem bringen sie dort Nutzen, wo Menschen scheitern müssen: etwa bei der Durchforstung großer Datenbanken der Medizin. "Wir nutzen Patienten­daten aus unterschiedlichsten Quellen, um Modelle für me­di­zinische Prognosen zu erstellen. Die Ergebnisse fließen dann in Lösungen der computer­gestützten Diagnostik ein, die den Ärzten eine dynamische Interaktion ermöglichen", erklärt Dr. Alok Gupta, Leiter der Abteilung für computergestützte Diagnos­tik (Computer Aided Detection, kurz: CAD) und ­Wissensverarbeitung im Siemens-Sektor Health­care in Malvern, Pennsylvania.

"Letzten Endes ist es unser Ziel, mit Remind erstmals Informationen aus ver­schiedenen Quel­len in einer einzigen Datenbank und in einer ­digitalen Patienten­akte zusammenzuführen", fügt Gupta hinzu.

Der Grundstein dafür ist bereits gelegt: ­Remind verbindet in idealer Weise die Resultate bildgebender Verfahren und die der In-vitro-Technologien, die Siemens erst vor kurzem in der Division Diagnostics vereint hat.

Doch es ist noch ein langer Weg, bevor die Vision der umfassenden Remind-Plattform Wirk­lichkeit werden kann. Spezielle digitale Helfer gibt es jedoch bereits heute, so etwa Programme, die Ärzte als Zweitgutachter bei der Bewertung medizinischer Bilder unterstützen. Sie erhöhen die Wahr­scheinlich­keit, dass nichts We­sentliches übersehen wird.

Ihre Einsatzgebiete sind zum Beispiel die computergestützte Diagnose von Lungenknötchen, Dickdarm­polypen oder die Auswertung von Mammographien (Digitale Assistenzärzte). Andere Algorithmen helfen dem Arzt bei der präzisen Analyse von Herzfunktionen oder beim Vergleich von Aufnahmen, die zu verschiedenen Zeiten oder mit unterschiedlichen Geräten aufgenommen wurden – was beispiels­weise wichtig ist, um den Erfolg einer Tumortherapie zu messen.

Zu den vielen weiteren digitalen Assistenten, die schon bald in der Praxis ein­gesetzt werden könnten, zählt auch ein Programm zur Erstellung eines 4D-Modells der Aortaklappe im Herzen aus Ultraschalldaten – also die Ermittlung der dreidimensionalen Form der Herzklappe im zeitlichen Verlauf.

"Damit können die Ärzte mit Hilfe von Ultraschall eine Vielzahl quantitativer Echtzeit-Untersuchungen durchführen", sagt Helen Houle, Sonographie-Expertin bei Siemens Ultrasound in Mountain View, Kalifornien. Bei der Entwicklung des Verfahrens arbeitete Houle eng mit Forschern von SCR in Princeton zusammen. Eine andere Software, die gerade entwi­ckelt wird, kann aus den Daten eines Computertomographen ein interaktives 3D-Modell des schlagenden Herzens erstellen und es auf mögliche Anomalien untersuchen – beispielsweise hinsichtlich der transportierten Blutmenge.

Solche digitalen Assistenten sind jedoch erst der Anfang der Entwicklung. "Der­zeit versuchen wir herauszufinden, was es bedeuten würde, wenn wir zu den Bilddaten noch genetische ­Informationen hinzufügen", sagt Gupta. Dafür arbeitet Siemens im Rahmen des von der EU ­finanzierten Programms Health-e-Child mit verschiedenen Partnern zusammen (Pictures of the Future, Frühjahr 2007, Health-e-Child). Ziel des von Siemens koordinierten Programms ist die Entwick­lung einer integrierten Wissensplattform für Kin­­derheilkunde, die traditionelle und neue Quellen biomedizinischer Informationen – etwa Gen- und Proteindaten – nahtlos integrieren soll.

Intelligentes Suchsystem. Im selben Maß, wie die medizinischen Daten­banken wachsen, braucht man auch neue Systeme, um mit dieser Informations­flut umzugehen. Eine mögliche Lösung, deren Markteinführung noch für 2008 geplant ist, heißt Alpha (Automatic Localization and Parsing of Human Anatomy). Die Anwendung basiert auf einer riesigen Daten­basis der menschlichen Anatomie und lernt selbst mit jeder Untersuchung dazu.

Alpha erkennt anatomische Charakteristika und bietet auch sprachliche Inter­aktionsmöglichkeiten. "Gesprochene Anweisungen wie ‚zeige mir den linken unteren Lungenlappen und vergleiche ihn mit den letzten beiden Unter­suchungen’ werden mit Alpha Routine sein", erklärt Dr. Arun Krishnan, Leiter für CAD-Forschung und -Entwicklung in Malvern. "Das spart dem Arzt viel Zeit, denn er braucht nicht mehr die einzelnen Bildfolgen nach der besten Auf­nahme der gewünschten anatomischen Struktur durchsuchen. Stattdessen zeigt ihm das System als Antwort auf seine sprachlich ­geäußerte Bitte schnell das gewünschte Bild." Alpha wird mit den Bildarchivierungs- und Kommunikationssystemen der Krankenhäuser kompatibel sein und sich leicht in bestehende Systeme integrieren lassen – ein Meilenstein für den schnellen Zugang zu Daten aller möglichen bildgebenden Verfahren.

Das vom deutschen Bundesforschungsmi­nis­terium geförderte Projekt Theseus und sein so genanntes Anwendungsszenario Medico, das von Siemens koordiniert wird, gehen noch einen Schritt weiter. "Bei Theseus geht es vor allem um das automatische Erkennen und Strukturieren von Bilddaten aller Art, so dass sie über das semantische Web abrufbar sind", sagt Prof. Dr. Hartmut Raffler, Leiter der Abteilung Information and Communications bei Siemens Corporate Technology (CT). Dr. Volker Tresp, Experte für Data Mining und maschinelles Lernen, ergänzt: "Das ist ein weites Feld, denn es eröffnet intelligente Suchmöglichkeiten in Bildern, Vi­deos und Multimedia-Daten­banken – wie sie etwa in der Sicherheits- und Robotertechnik, der Unter­haltungsindustrie oder den Umweltwissenschaften eingesetzt werden."

Ziel von Medico ist, dass Computer medizini­sche Bilder in all ihren komplexen Bedeutungen verstehen und auswerten können. Es soll ein intelligentes, skalierbares Bildarchivierungs- und Suchsystem entstehen, mit dem Bilder nach Inhalten durchsucht werden können – ideal auch für eine Kombination mit dem Alpha-System von Siemens. Ein Anwendungsbeispiel: Ein Kardiologe wertet Magnetresonanz-Aufnahmen eines Patienten mit Pulmonalklappen­insuffizienz aus. "Um festzustellen, ob dieser Defekt einen chirurgischen Eingriff rechtfertigt, könnte der Kardiologe bei Medico Bilder von Pulmonal­klappen mit ähnlichen Charakteristika hinsichtlich Morphologie und Funktion anfordern – und zwar Bilder jeweils vor und nach dem chirurgischen Eingriff", erklärt Dr. Dorin Comaniciu, Leiter der Abteilung für integrierte Datensysteme bei SCR in Princeton.

Kommunizierende Kameras. Dr. Ramesh Visvanathan, Leiter der Abteilung für Echtzeit-Bildgebung und Modellierung bei SCR sieht für eine solche Such­maschine nicht nur Einsatzgebiete in der Medizintechnik: "Im Rahmen des Theseus-Projektes definieren wir auch so genannte Metadaten-Sprachen zur automatischen Erkennung von optischen Inhalten. Das ist auch für Sicher­heitsanwendungen interessant, etwa wenn viele Kameras automatisch nach­einander ein bestimmtes Ziel verfolgen sollen. Sie können es dann mit einer solchen standardisierten Sprache beschreiben und diese Informationen von einer Kamera zu nächsten weiterreichen. So kann beispielsweise ein Ein­brecher auch dann noch verfolgt werden, wenn er aus dem Blickwinkel der einen Kamera hinaus- und ins Überwachungsfeld der nächsten Kamera hineinläuft."

Um Bilddaten – ob von Überwachungs­kameras oder Medizindatenbanken – vernünftig auswerten zu können, ist jedoch eine hohe Bildqualität notwendig. Damit das System nur Bilder heraussucht, die der Nutzer auch verwenden kann, arbeitet Siemens gemeinsam mit der Tsinghua-Universität in Peking an einer entsprechenden Software. "Dieser digitale As­sistent soll anhand der Kriterien, die die Ärzte selbst verwenden, darauf trainiert werden, dass er – beispielsweise bei medizinischen Aufnahmen – automatisch die aussagekräftigsten Bilder auswählt", erklärt Comaniciu.

Dezentrale Intelligenz. Ähnlich wie im Gesundheitswesen dringen digitale Assistenten auch in die Industrie vor. So geht der Trend in der Stahlproduktion zu einer umfassenden Auto­matisierung, wobei zunehmend dezentrale Intelligenz zum Einsatz kommt – also Sensoren und Aktoren mit einem hohen Anteil an eigener Software. "Um eine bestimmte Stahlqualität zu erreichen, entwickeln die beteiligten Komponenten individuelle Strategien für die Überwachung und das Management der einzelnen Produktionsschritte, während gleichzeitig die Komplettansicht auf den Gesamtprozess erhalten bleibt", erklärt Dr. Michael Metzger, Experte bei CT für Lösungen für die Stahlindus­trie. Um das zu schaffen, müssen die Algorithmen lernfähig sein – und das auch noch sehr schnell. "Sie basieren natürlich zunächst auf Modellen für die Steuerung und Optimierung, die selbst wiederum auf die grundlegende Physik und auf Expertenwissen zurückgehen. Doch darüber hinaus müssen sie auch von den riesigen Datenmengen lernen, die ein Automatisierungssystem produziert. Erst dadurch wird es möglich, dass das System in Echtzeit optimal auf Schwankungen und Variablen jeglicher Art zuverlässig reagiert – von der Walzkraft bis zur Temperatur", fügt Metzger hinzu.

Voraussetzung ist neben dem Expertenwissen eine intelligente Datenaus­wertung – etwa über Abkühlraten oder den zeitlichen Verlauf von Deformatio­nen –, mit der die digitalen Assistenten die für die Stahlherstellung besten Parameter ermitteln und sie dann für einen speziellen Auftrag optimieren können. Dazu wird der komplette Produktionsprozess am Computer simuliert, einschließlich neuronaler Netze und der lernenden Algorithmen. War der virtuelle Test erfolgreich, werden die Informationen in das reale Walzwerk übertragen und endgültig getestet. Letztlich werden dann für jeden Prozess­schritt wieder Werte gemessen und mit den simulierten Daten verglichen. "So lernen die Modelle, wie sie sich selbst verbessern können", erläutert Metzger. "Solche Systeme können wertvolle Entscheidungshilfen bieten und irgend­wann sogar selbst Automatisierungsentscheidungen treffen."

Zudem können sie langfristige Faktoren wie den Maschinenverschleiß berücksichtigen und auch den besten Termin für eine Wartung vorschlagen. Um dies zu erreichen, hat Siemens im Jahr 2007 die so genannte Machine Monitoring Initiative ins Leben gerufen. "Dieses Projekt nutzt all unsere Forschungsarbeiten über Data Mining, maschinelles Lernen und auto­matische Entscheidungshilfen", sagt Claus Neubauer, Spezialist für Datenintegration bei SCR. Die Ergebnisse sollen helfen, die Vorhersage der Notwendigkeit von Wartungsarbeiten sowie deren Planung in allen Bereichen zu automatisieren – von Strom- und Kommunikationsnetzen über den Schienen­verkehr bis zu Windkraftanlagen oder Magnetresonanz-Tomographen.

Wie verhält sich der Kunde? Eine Vorhersage darüber abzugeben, wann welche Maschine gewartet werden muss und welche Teile auszutauschen sind, ist eine echte Herausforderung. Doch wie sieht es dann erst mit Prognosen da­rüber aus, ob bestimmte Kunden einen Windpark oder einen Tomographen kaufen werden? Auch dafür entstünden bereits digitale Assis­tenten, erklärt Amit Chakraborty, der Leiter des Modellierungs- und Optimierungsprogramms bei SCR. So seien am SCR Assistenten entwi­ckelt worden, die "eine Trefferquote von 70 bis 80 Prozent erreichen", sagt er. "Bei dieser Entscheidungsunterstützung berücksichtigt der virtuelle Assistent viele Faktoren wie etwa die Zuverlässigkeit des Kunden, die Wettbewerber und Informationen der Vertriebsmitarbeiter."

Da die unsichtbaren Helfer nichts wiegen, in der Herstellung nicht gerade kostenintensiv sind und die Produktivität enorm steigern, werden digitale Assistenten in Zukunft aus vielen Gebieten nicht mehr wegzudenken sein. Experten schätzen, dass sich dieser Trend neben der Industrie und der Medizin auch im Verkehrsbereich, der Gebäudeautomatisierung, der Sicher­heitstechnik sowie der Energieerzeugung und -verteilung durchsetzen wird. Und auch den privaten Alltag werden künftig digitale Assis­tenten prägen: Ob es um intelligente Such­maschinen geht oder um Bürotechnik, Unterhaltungs­industrie und Robotik – elektronische Helfer werden die Art und Weise verändern, wie Menschen kommunizieren und ihr Leben und ihre Arbeit organisieren.

"Wir sollten nicht vergessen, dass es immer Lösungen zur Unterstützung menschlichen Han­delns sind", sagt Hartmut Raffler. "Die digitalen Assistenten werden verstehen, wonach wir suchen, sie werden Fragen beantworten und uns die Ergebnisse auf eine intelligentere Art und Weise präsentieren, als es heute möglich ist. Sie werden selbsttätig mit riesigen Mengen unstrukturierter Daten arbeiten und uns neue Wege vorschlagen, um Probleme aller Art schnellstmöglich zu lösen." Letztlich werden so Daten, die die Menschheit in stets wachsender Zahl produziert, endlich zu einer wertvollen Quelle neuer Informationen, neuer Lösungsansätze und neuen Wissens.
                                                                                                              Arthur F. Pease