Direkt zum Hauptinhalt
Diese Seite wird mit automatisierter Übersetzung angezeigt. Lieber auf Englisch ansehen?

KI-Unterstützung für medizinisches Fachpersonal

Gerardo Hermosillo Valadez | Erfinder des Jahres von Siemens | Lebenswerk

Bildgebungstechnologien wie Röntgen, CT-Scans und MRT helfen Ärzten seit Jahrzehnten, indem sie ihnen detaillierte Bilder von Knochen und Gewebestrukturen im Körper des Patienten liefern. „All diese Technologien liefern uns Bilddaten, die bei einer Diagnose nur hilfreich sind, wenn sie richtig interpretiert werden können. Zum Beispiel muss jemand verstehen, dass die feine Linie auf dem Röntgenbild zeigt, dass ein Knochen gebrochen ist, oder die ungewöhnliche Masse in der großen Datenmenge einer MRT-Untersuchung beachten „, sagt Gerardo Hermosillo Valadez von Siemens Healthineers (SHS), Erfinder des Jahres 2024 in der Kategorie Lebenswerk. „Meine Abteilung arbeitet an KI-Prozessen, die medizinische Bilder interpretieren und so das medizinische Personal entlasten und unterstützen können.“

Bildinterpretation mit künstlicher Intelligenz

A man in a suit and tie is standing in front of a building with a large window.

Gerardo Hermosillo Valadez ist Erfinder des Jahres 2024: Seine Erfindung entwickelt anatomische Intelligenz

Die Leute sind normalerweise sehr gut darin, Dinge auf Bildern zu erkennen. Zum Beispiel wird es den meisten Menschen leicht fallen, die Wirbelsäule auf Röntgenbildern zu erkennen — auch wenn sich die Bilder aufgrund unterschiedlicher Körperhaltungen des Patienten, verschiedener Winkel, aus denen das Bild aufgenommen wurde, große oder kleine Knochen oder gesunde oder deformierte Wirbelsäule stark unterscheiden. Computer können das nur mit künstlicher Intelligenz — mit Deep Learning — und nur, wenn sie mit vielen geeigneten Proben trainiert wurden. „So kann künstliche Intelligenz anatomische Intelligenz entwickeln, sodass sie ihren Weg durch medizinische Bilder finden und die verschiedenen Knochen, Organe und Gewebe korrekt kategorisieren kann“, sagt Gerado. „Auf die gleiche Weise kann die KI lernen, zwischen normalem und abnormalem Gewebe zu unterscheiden.“

Innovationen, die die gesamte SHS-Produktpalette prägen

Es gibt viele verschiedene Anwendungen für KI-gestützte Bilderkennung im täglichen Leben in Krankenhäusern und Arztpraxen: Ein System kann beispielsweise lernen, die richtigen Bilddaten als Antwort auf eine Anweisung wie „Zeigen Sie das rechte Schulterblatt“ anzuzeigen. Es kann auch automatische Unterstützung für radiologische Untersuchungen bieten, die feststellen, wann das injizierte Kontrastmittel das zu untersuchende Organ erreicht hat, und Bilddaten auf mögliche pathogene Veränderungen analysieren. Viele der Innovationen, die Gerardo vorangetrieben hat, sind in der gesamten SHS-Produktpalette allgegenwärtig.

Verschiedene KI-Lernstrategien

„Künstliche Intelligenz ist nur so gut wie die Daten, mit denen sie trainiert wurde“, betont Gerardo. „Um Tumore in einem MRT-Bild zu erkennen, muss es zuerst aus Tausenden von Bildern von gesunden und kranken Menschen gelernt haben, die wir ihm zur Verfügung gestellt haben.“ Es gibt drei grundlegende Ansätze für das Training von KI: überwachtes Lernen, schwach überwachtes Lernen und selbstüberwachtes Lernen. Beim überwachten Lernen erhält die KI genaue Informationen für jeden Datensatz: zum Beispiel: „In der oberen rechten Ecke des Bildes befindet sich ein Tumor.“ Beim schwach überwachten Lernen werden nur wenige Informationsbeschriftungen vergeben: zum Beispiel Tumor oder kein Tumor. Beim selbstüberwachten Lernen haben die Daten überhaupt keine Beschriftungen, und die KI lernt unabhängig: zum Beispiel, indem sie Teile aus vorhandenen Beispielbildern versteckt und „erraten“, wie sie aussehen.

Person in black shirt standing against white wall, holding a dark object with blurred background.

Seine Erfindung prägt die gesamte Produktpalette von Siemens Healthineers.

Serious man in black shirt with tattoo standing against white wall, partially illuminated from right side

Künstliche Intelligenz kann lernen, sich in medizinischen Bildern zurechtzufinden und sie richtig zu kategorisieren.

Fast so intelligent wie ein Anatomieatlas

Überwachtes Lernen ist die schnellste und effizienteste Art, wie KI lernt, aber es ist zeitaufwändig und teuer, ausreichend Trainingsdaten zu erhalten, die alle relevanten Aspekte berücksichtigen. Selbstüberwachtes Lernen erfordert die meiste Lernzeit, aber die KI kann unabhängig arbeiten, ohne teure Datenkennzeichnung. „In letzter Zeit haben wir uns auf die neuesten Techniken des selbstüberwachten Lernens konzentriert, Techniken, wie sie von ChatGPT verwendet werden“, sagt Gerardo. „Das hat uns einen erheblichen Schub gegeben, insbesondere im Bereich der anatomischen Intelligenz. Unsere KI ist jetzt fast so intelligent wie ein Anatomieatlas. Es kann zwischen etwa 200 verschiedenen Landmarken (Körperteilen) unterscheiden und sie im Bildmaterial lokalisieren.