English China

Digitale Diagnostik Labordiagnostik: Künstliche Intelligenz verbessert Entscheidungen

Von Dr. Alexander Scherrer*

Anbieter zum Thema

Die moderne Labormedizin spielt eine zentrale Rolle beim frühen Erkennen schwerwiegender Erkrankungen. Dies erfordert eine effiziente Gestaltung und hohe Ergebnisqualität der Diagnostikprozesse. Künstliche Intelligenz (KI) und Entscheidungsunterstützung helfen dabei. Fraunhofer-Forscher haben nun einen prototypischen Diagnostikservice entwickelt.

Bluttests werden für das Routine-Screening und die frühzeitige Erkennung einer Vielzahl an  Erkrankungen eingesetzt.
Bluttests werden für das Routine-Screening und die frühzeitige Erkennung einer Vielzahl an Erkrankungen eingesetzt.
(Bild: ©Sono Creative - stock.adobe.com)

Viele durch Viren oder Bakterien ausgelöste Krankheiten oder auch Krebs verursachen charakteristische Veränderungen von Blutwerten, oft lange bevor die betroffenen Personen Symptome zeigen. Daher werden Bluttests für ein Routine-Screening und die frühzeitige Erkennung solcher Erkrankungen eingesetzt. Von besonderer Bedeutung ist dies bei infektiösen Erkrankungen wie Covid-19 für die effektive Eindämmung von potenziellen Pandemien. Durch die Coronakrise wurde aber auch die angespannte Ressourcensituation in der Labormedizin deutlich. Das Routine-Screening auf gewisse Krankheiten erfordert daher eine möglichst effiziente und zuverlässige Methoden- und Softwareunterstützung, die sich nahtlos in die bestehenden Arbeitsprozesse der Labordiagnostik einfügt.

Die Digitalisierung von Arbeitsprozessen in der Labormedizin adressiert bislang v. a. die Prozessschritte der Datenerhebung, -administration und -dokumentation und lässt dabei den zentralen Schritt der diagnostischen Entscheidungsfindung weitgehend außen vor.

Labormedizin – Menschliche Entscheidung und künstliche Intelligenz

Gerade letzterer Schritt bietet sich für den Einsatz von Verfahren der künstlichen Intelligenz (KI) an, besonders mit Blick auf die Menge zu bewältigender Information und deren korrekte Interpretation. Die praktische Akzeptanz von KI-Verfahren hängt jedoch maßgeblich von der Transparenz ihrer Funktionsweise, der Nachvollziehbarkeit der erzielten Resultate und dem Umfang an Entscheidungsfreiheit für die Experten ab. Daneben ist die Integration solcher Verfahren in bestehende Arbeitsabläufe von großer Bedeutung.

Das Fraunhofer-Institut für Techno- und Wirtschaftsmathematik (ITWM) hat im Forschungsprojekt Codect (Concerted early digital Detection of Covid-19 Transmission) Möglichkeiten für eine digital assistierte Labordiagnostik untersucht und darauf aufbauend einen prototypischen Diagnostikservice entwickelt.

Forschungsprojekt zur digital assistierten Labordiagnostik

Abb. 1: Der klassische Ablauf der Labordiagnostik (rot) und der erweiterte Ablauf mit KI-basierter Datenanalyse und Entscheidungsunterstützung (grün) auf der Grundlage einer auf Labordaten trainierten künstlichen Intelligenz (blau).
Abb. 1: Der klassische Ablauf der Labordiagnostik (rot) und der erweiterte Ablauf mit KI-basierter Datenanalyse und Entscheidungsunterstützung (grün) auf der Grundlage einer auf Labordaten trainierten künstlichen Intelligenz (blau).
(Bild: ©Sono Creative - stock.adobe.com / Quelle: © Fraunhofer ITWM_[M]-Kuebert)

Dieser Service lässt sich an existierende Organisations- und IT-Strukturen der Labordiagnostik anbinden. Sie verwenden Laborinformationssysteme (LIS) für die Administration digitalisierter Blutdaten, deren manuelle Befundung durch den Hämatologen sowie die Dokumentation der diagnostischen Resultate (s .Abb. 1). Diesen klassischen Ablauf ergänzt der Codect-Diagnostikservice mit einem parallelen, erweiterten Ablauf. Er bezieht zunächst Blutdaten aus dem LIS, bereitet diese auf und analysiert sie mit KI-Verfahren. Im weiteren assistiert der Service Hämatologen bei der diagnostischen Beurteilung der Analyseergebnisse und unterstützt den Export der Diagnostikresultate an das LIS. Die KI-Verfahren selbst werden auf Daten aus dem LIS trainiert.

Abb. 2: Schematische Darstellung der Funktionsweise eines Random-Forest-Verfahrens mit paralleler schrittweiser Analyse und Beurteilung der Blutwerte in einzelnen Entscheidungsbäumen und Zusammenfassung der Entscheidungen zu einer Mehrheitsentscheidung.
Abb. 2: Schematische Darstellung der Funktionsweise eines Random-Forest-Verfahrens mit paralleler schrittweiser Analyse und Beurteilung der Blutwerte in einzelnen Entscheidungsbäumen und Zusammenfassung der Entscheidungen zu einer Mehrheitsentscheidung.
(Bild: © Fraunhofer ITWM)

Die Datenanalyse erfolgt dabei mit so genannten Random-Forest-Verfahren, die mit Entscheidungsbäumen arbeiten und so der menschlichen Vorgehensweise nachempfunden sind (s. Abb. 2). Ein solcher Entscheidungsbaum klassifiziert eingehende Blutproben schrittweise mittels Teilentscheidungen anhand von einzelnen Blutwerten und nimmt eine diagnostische Einordnung der Proben vor.

Transparente künstliche Intelligenz

Die Entscheidungsbäume werden beim Training des KI-Verfahrens iterativ konstruiert, indem analog zum menschlichen Vorgehen jeweils derjenige Blutparameter betrachtet wird, der den größten Erkenntnisgewinn im Hinblick auf die korrekte Einordnung von Blutproben bietet. Diese Vorgehensweise birgt das Risiko, dass die Struktur des Entscheidungsbaums wesentlich von der Beschaffenheit der zum Training verwendeten Daten abhängt. Analog beim Menschen: Entscheidet eine einzelne Person ausgehend von der ihr verfügbaren beschränkten Information, so kann sie u. U. leicht zu einem Fehlurteil gelangen. Dagegen ist ein von vielen Entscheidern getroffenes Mehrheitsvotum in der Regel verlässlicher. Diesen Ansatz imitieren Random-Forest-Verfahren, indem sie eine große Zahl von eigenständigen Entscheidungsbäumen parallel verwenden und deren Einzelvoten anschließend zu einem Mehrheitsvotum kombinieren. Konstruiert werden diese vielen Bäume durch geschickte Variation der verwendeten Referenzdaten und betrachteten Blutparameter.

Die Ergebnisgüte eines KI-Verfahrens lässt sich generell über die korrekte Klassifikation von Blutproben von erkrankten (mittlere Richtig-positiv-Rate) bzw. nicht erkrankten Personen (mittlere Richtig-negativ-Rate) und den generell korrekten Umgang mit Blutproben von erkrankten Personen (mittleres F1-Maß) quantifizieren. Darüber hinaus können für Random-Forest-Verfahren die Wichtigkeit von Blutparametern für die Klassifikation von Blutproben sowie die Eindeutigkeit der Mehrheitsentscheidung bestimmt werden. Diese Werte liefern wertvolle Hintergrundinformation über das Vorgehen des Verfahrens und dazu, wie die Ergebnisse zustande kommen.

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

Interaktive Entscheidungsunterstützung

Abb. 3: Die prototypische Webanwendung des Fraunhofer ITWM für die KI-basierte Labordiagnostik auf Blutwerten mit der Unterstützung der einzelnen Prozessschritte (oben), Detailinformation über die Funktionsweise der KI (mittig) und einer Darstellung der Analyseresultate und Entscheidungsfunktionalität (unten).
Abb. 3: Die prototypische Webanwendung des Fraunhofer ITWM für die KI-basierte Labordiagnostik auf Blutwerten mit der Unterstützung der einzelnen Prozessschritte (oben), Detailinformation über die Funktionsweise der KI (mittig) und einer Darstellung der Analyseresultate und Entscheidungsfunktionalität (unten).
(Bild: © Fraunhofer ITWM)

Um Analyseergebnisse besser beurteilen zu können und finale diagnostische Entscheidungen zu finden, stellt der Codect-Diagnostikservice Features zur interaktiven Entscheidungsunterstützung bereit, die in die grafische Darstellung der Analyseresultate eingebettet sind (s. Abb. 3). Der Service ermöglicht das Sortieren der jeweiligen Entscheidungskriterien (Proben-ID und -datum, Analyseresultat und Mehrheitsvotum usw.), das Sortieren und Filtern von deren Werten sowie das Zurate-Ziehen der Kontextinformation und der Blutwerte selbst. Hämatologen erhalten so umfangreiche Möglichkeiten, die Informationen zielgerichtet für eine zügige und verlässliche diagnostische Beurteilung von Blutproben zu nutzen.

Digitale Assistenz von Diagnostikprozessen

Die grafische Oberfläche des Dia­gnostikservice bietet zudem eine umfangreiche Unterstützung des KI-basierten Diagnostikprozesses (s. Abb. 3). Der Hämatologe importiert eine Datei mit zu analysierenden Blutdaten, die zunächst auf ihre Konsistenz geprüft und für die Analyse aufbereitet werden. Anschließend wählt er aus, auf welche Erkrankung die Daten untersucht werden sollen und startet die Analyse. Die Methoden für Datenanalyse und Entscheidungsunterstützung wurden exemplarisch für zwei unterschiedliche Eingangsdaten­formate und die Erkennung von Covid-19 und Influenza Typ A und B entwickelt, können aber auf weitere Datentypen und Erkrankungsbilder erweitert werden. Nach einer Exploration der Analyseergebnisse und Beurteilung der Proben exportiert der Hämatologe die Diagnostik­resultate in eine Datei zur weiteren Bearbeitung im LIS. Der Diagnostikservice liefert damit einen weiteren Beitrag zu einer insgesamt effizient, zuverlässig und nachhaltig funktionierenden Gesundheitsversorgung in Deutschland, und zwar nicht nur in Zeiten einer Pandemie.

* Dr. A. Scherrer, Fraunhofer Institut für Techno- und Wirtschaftsmathematik (ITWM), 67663 Kaiserslautern

(ID:47642503)