Highlight: KI und Radiologie IV - Erfolgreiche Zusammenarbeit von Radiologie und Informatik

Herr Professor Forsting, was sind relevante Themen und Herausforderungen bei der Zusammenarbeit von Radiologie und Informatik?
Wir Mediziner:innen müssen uns zunächst darüber klarwerden, wo wir ein Problem haben. Auf Neudeutsch heißt das: Wo liegen unsere unmet needs? Diese müssen wir Informatiker:innen dann genau erklären und auch, wie in unserer vielleicht naiven Vorstellung die Problemlösung aussieht. Danach kommen die Informatiker:innen mit ihrer Expertise ins Spiel und versuchen, eine Lösung zu „bauen“. Ein Beispiel: Es gibt eine Software, die Blutungen im Gehirn erkennt. Das finde ich sensationell. Ehrlicherweise brauchen wir das aber gar nicht, denn ein:e Medizinstudent:in, der oder die das nicht erkennt, würde durch das Staatsexamen fallen. Was wir aber brauchen, ist eine Software, die erkennt, ob die Blutung größer wird und man eventuell operieren muss. Darüber kann man mit Informatiker:innen sprechen. Man kann dann gemeinsam nach einer Lösung suchen und überlegen, wie man an Daten gelangt, um einen entsprechenden Algorithmus zu trainieren.

Professor Michael Forsting Institut für Diagnostische und Interventionelle Radiologie und Neuroradiologie, Universitätsklinikum Essen© DRG

Gibt es eine gemeinsame Sprache zwischen Radiologie und Informatik?
Ich glaube, man muss nicht anstreben, die gleiche Sprache zu sprechen. Ich fürchte, wenn Informatiker:innen anfangen, Medizin zu sprechen, wird das nicht gut. Umgekehrt bin ich bescheiden genug, um zu erkennen, dass ich nie eine Informatiker-Sprache sprechen kann. Es geht darum, auf beiden Seiten die Probleme zu verstehen. Informatikerinnen müssen verstehen, was  Mediziner:innen für ein Problem haben und ihnen Hinweise geben, wo sie diagnostische Informationen herbekommen. Wenn man lange genug zusammenarbeitet, wird es irgendwann einen Overlap geben. Wenn es die eine oder den anderen gibt, der in beiden Welten zuhause ist, ist das sehr gut. Und natürlich wollen wir Student:innen ausbilden und sie früh an die Methoden von KI oder Deep Learning heranführen - wohlwissend, dass es nur sehr wenige Ausnahmetalente geben wird, die beide Bereiche richtig gut können. Aber ich glaube nicht, dass alle Medizinstudent:innen Deep Learning können müssen. Wenn sie gute Ärzt:innen sind, werden sie einen Weg finden, mit Informatiker:innen so zu reden, dass diese helfen, Probleme zu lösen.

Sie haben 2020 das „Institut für KI in der Medizin“ in Essen gegründet. Welche Ziele verfolgen Sie damit?
In dem „Institut für KI in der Medizin“ arbeiten Mediziner:innen, Informatiker:innen, Physiker:innen und Mathematiker:innen zusammen. Wir fokussieren uns überwiegend auf das Feld der Diagnostik. Ich neige ja ein bisschen zur Übertreibung und nenne das gern „Super Diagnostic“, die wir im IKIM betreiben. Im Institut geht es nicht nur um Radiologie, sondern auch um verwandte Fächer in der Diagnostik wie Labormedizin, Mikrobiologie, Pathologie, Genetik und molekulare Aspekte der Diagnostik. Denn es ist so: Wir als Radiolog:innen sind sehr wichtig, keine Frage. Aber es gibt natürlich auch andere Disziplinen, die zur Diagnostik von Erkrankungen beitragen. Oft ist das Zusammenspiel verschiedener diagnostischer Informationen entscheidend für die Therapie, die man wählt, und für die gesundheitlichen Prognosen. Wenn wir etwa die Krankheit Brustkrebs nehmen, sind wir Radiologen, so kann man es sagen, beim Stellen von Diagnosen an vorderster Front, etwa mit der Mammographie oder dem MR. Das ist aber nur ein Puzzlestück. Denn um Patientinnen - meistens sind es ja Frauen - richtig behandeln zu können, braucht man auch genetische und molekulare Information. Die verschiedenen Daten müssen wir zusammenfügen, was mit Algorithmen schneller und sicherer funktioniert. Um eben das zu gewährleisten, haben wir das IKIM gegründet. Dort werden wir in den ersten Schritten versuchen, Super Diagnostic aufzubauen. Wir wollen diagnostische Disziplinen und Informationen so zueinander bringen, dass wir am Ende schneller und sicherer die richtigen Diagnosen stellen können.

Könnten Sie uns weitere Bereiche nennen, in denen die Zusammenarbeit von Radiologie und Informatik umgesetzt wird?
Eine Applikation, die bei uns seit Jahren läuft, ist die Knochenalter-Bestimmung. Dabei wird etwa das Handskelett eines Kindes geröntgt, unter verschiedenen Fragestellungen. Einmal wird nach der Antwort auf die Frage nach dem Alter eines Kindes gesucht. Es gibt ja durchaus Menschen, die sehen aus wie 21 Jahre, sagen aber, dass sie 14 Jahre alt sind. Meistens hat das einen kriminellen Hintergrund. Aber es gibt auch Eltern, die sagen: Unser Junge ist immer der Größte in der Klasse, wir wollen wissen, wie groß er wird. Beides lässt sich anhand der Knochenkerne am Handskelett sehr gut diagnostizieren. Mit unserer Applikation konnten wir solche Arbeiten komplett automatisieren. Das ist auch gelungen, weil es eine sehr häufige Untersuchung ist und damit viele Daten vorliegen. Der Computer rechnet im jeweiligen Fall also mit einem Deep Learning Algorithmus und gibt das Ergebnis aus.

Die Zusammenarbeit zwischen Mediziner:innen und Informatiker:innen hat bei der Entwicklung des Algorithmus in etwa so ausgesehen: Man hat aus den Tausenden Bildern von Kinderhänden, die im PACS-System vorhanden waren und bei denen man wusste, wie alt die Kinder jeweils sind, gewissermaßen ein Normkollektiv geschaffen. Daraus wurde der Algorithmus entwickelt. Das witzige war: Als der Algorithmus fertig war, haben wir eher zufällig entdeckt, dass er auch sagen kann, ob es ein Junge oder ein Mädchen ist. Das macht auch Sinn, denn möglicherweise haben Männer vielleicht etwas kräftigere Unterarme als Frauen. Aber Radiolog:innen können nie sagen, ob es sich um die Hand eines Mädchens oder eines Jungen handelt. Der Algorithmus kann das, weil er offenbar ein Muster erkannt hat, das uns bislang verborgen ist. Es ist interessant, dass mit der KI plötzlich Informationen aufkommen, die bisher für uns im Röntgenbild versteckt waren.