Zusammenfassung
Maschinelles Lernen (ML) hält gegenwärtig Einzug in viele Bereiche der Gesellschaft, so auch in die Medizin. Diese Transformation birgt das Potenzial, den ärztlichen Berufsalltag drastisch zu verändern. In der Interaktion zwischen den Disziplinen und Modalitäten der onkologischen Patientenversorgung wird dies besonders deutlich. Computer erbringen in mehreren Forschungsarbeiten in Kollaboration mit Menschen oder allein bereits bessere Ergebnisse in der Tumoridentifikation, ihrer Klassifikation sowie beim Erstellen von Prognosen und bei der Therapieevaluation als Menschen. Zudem können Algorithmen – z. B. künstliche neuronale Netze (KNN), die für viele der gegenwärtigen Errungenschaften im ML-Feld verantwortlich sind – dies reproduzierbar, schnell und kostengünstig erbringen. Es ist heute schon absehbar, dass die Anwendung künstlicher Intelligenz sich zu einem integralen Bestandteil des ärztlichen Handels entwickeln und Vorteile für die onkologische Diagnostik und Therapie bieten wird.
Abstract
Machine learning (ML) is entering many areas of society, including medicine. This transformation has the potential to drastically change medicine and medical practice. These aspects become particularly clear when considering the different stages of oncologic patient care and the involved interdisciplinary and intermodality interactions. In recent publications, computers—in collaboration with humans or alone—have been outperforming humans regarding tumor identification, tumor classification, estimating prognoses, and evaluation of treatments. In addition, ML algorithms, e.g., artificial neural networks (ANNs), which constitute the drivers behind many of the latest achievements in ML, can deliver this level of performance in a reproducible, fast, and inexpensive manner. In the future, artificial intelligence applications will become an integral part of the medical profession and offer advantages for oncologic diagnostics and treatment.
Literatur
Mukherjee S (2017) A.I. versus M.D. https://www.newyorker.com/magazine/2017/04/03/ai-versus-md. Zugegriffen: 29. Aug. 2019
Shead S (2017) Facebook’s AI boss: „In terms of general intelligence, we’re not even close to a rat“. https://www.businessinsider.de/facebooks-ai-boss-in-terms-of-general-intelligence-were-not-even-close-to-a-rat-2017-10. Zugegriffen: 29. Aug. 2019
Kleesiek J, Petersen J, Döring M et al (2016) Virtual raters for reproducible and objective assessments in radiology. Sci Rep. https://doi.org/10.1038/srep25007
Case N (2018) How to become a centaur. JoDS https://doi.org/10.21428/61b2215c
Steiner D, MacDonald R, Liu Y et al (2018) Impact of deep learning assistance on the histopathologic review of lymph nodes for metastatic breast cancer. Am J Surg Pathol 42:1636–1646. https://doi.org/10.1097/PAS.0000000000001151
Isensee F, Kickingereder P, Wick W et al (2018) No new-net
Menze BH, Jakab A, Bauer S et al (2015) The multimodal brain tumor image segmentation benchmark (BRATS). IEEE Trans Med Imaging 34:1993–2024. https://doi.org/10.1109/TMI.2014.2377694
Ellingson BM, Wen PY, Cloughesy TF (2017) Modified criteria for radiographic response assessment in glioblastoma clinical trials. Neurotherapeutics 14:307–320. https://doi.org/10.1007/s13311-016-0507-6
Petersen J, Jäger PF, Isensee F et al (2019) Deep probabilistic modeling of glioma growth
Nikolov S, Blackwell S, Mendes R et al (2018) Deep learning to achieve clinically applicable segmentation of head and neck anatomy for radiotherapy
Kleesiek J, Morshuis JN, Isensee F et al (2019) Can virtual contrast enhancement in brain MRI replace gadolinium?: a feasibility study. Invest Radiol. https://doi.org/10.1097/RLI.0000000000000583
Gong E, Pauly JM, Wintermark M, Zaharchuk G (2018) Deep learning enables reduced gadolinium dose for contrast-enhanced brain MRI. J Magn Reson Imaging 48:330–340. https://doi.org/10.1002/jmri.25970
Esteva A, Kuprel B, Novoa RA et al (2017) Dermatologist-level classification of skin cancer with deep neural networks. Nature 542:115–118. https://doi.org/10.1038/nature21056
Haenssle HA, Fink C, Schneiderbauer R et al (2018) Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Ann Oncol 29:1836–1842. https://doi.org/10.1093/annonc/mdy166
Han SS, Kim MS, Lim W et al (2018) Classification of the clinical images for benign and malignant cutaneous tumors using a deep learning algorithm. J Invest Dermatol 138:1529–1538. https://doi.org/10.1016/j.jid.2018.01.028
Hekler A, Utikal JS, Enk AH et al (2019) Deep learning outperformed 11 pathologists in the classification of histopathological melanoma images. Eur J Cancer 118:91–96. https://doi.org/10.1016/j.ejca .2019.06.012
US Preventive Services Task Force (2013) Lung cancer: screening. https://www.uspreventiveservicestaskforce.org/Page/Document/UpdateSummaryFinal/lung-cancer-screening. Zugegriffen: 29. Aug. 2019
Ardila D, Kiraly AP, Bharadwaj S et al (2019) End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nat Med 25:954–961. https://doi.org/10.1038/s41591-019-0447-x
Rajpurkar P, Irvin J, Ball RL et al (2018) Deep learning for chest radiograph diagnosis: a retrospective comparison of the CheXneXt algorithm to practicing radiologists. PLoS Med 15:e1002686. https://doi.org/10.1371/journal.pmed.1002686
Oxipit Equipping radiologists to reach their goals faster. https://oxipit.com. Zugegriffen: 28. Aug. 2019
Coudray N, Ocampo PS, Sakellaropoulos T et al (2018) Classification and mutation prediction from non–small cell lung cancer histopathology images using deep learning. Nat Med 24:1559–1567. https://doi.org/10.1038/s41591-018-0177-5
Dou TH, Coroller TP, van Griethuysen JJM et al (2018) Peritumoral radiomics features predict distant metastasis in locally advanced NSCLC. PLoS ONE 13:e206108. https://doi.org/10.1371/journal.pone.0206108
Bejnordi BE, Veta M, van Diest PJ et al (2017) Diagnostic assessment of deep learning algorithms for detection of lymph node metastases in women with breast cancer. JAMA 318:2199–2210. https://doi.org/10.1001/jama.2017.14585
Liu Y, Kohlberger T, Norouzi M et al (2018) Artificial intelligence—based breast cancer nodal metastasis detection: insights into the black box for pathologists. Arch Pathol Lab Med 143:859–868. https://doi.org/10.5858/arpa.2018-0147-OA
Campanella G, Hanna MG, Geneslaw L et al (2019) Clinical-grade computational pathology using weakly supervised deep learning on whole slide images. Nat Med. https://doi.org/10.1038/s41591-019-0508-1
Shamai G, Binenbaum Y, Slossberg R et al (2019) Artificial intelligence algorithms to assess hormonal status from tissue microarrays in patients with breast cancer. JAMA Netw Open 2:e197700–e197700. https://doi.org/10.1001/jamanetworkopen.2019.7700
Wu J, Zhou B, Peck D et al (2018) DeepMiner: discovering interpretable representations for mammogram classification and explanation
Rodríguez-Ruiz A, Krupinski E, Mordang J‑J et al (2018) Detection of breast cancer with mammography: effect of an artificial intelligence support system. Radiology 290:305–314. https://doi.org/10.1148/radiol.2018181371
Bickelhaupt S, Jaeger PF, Laun FB et al (2018) Radiomics based on adapted diffusion kurtosis imaging helps to clarify most mammographic findings suspicious for cancer. Radiology. https://doi.org/10.1148/radiol.2017170273
Kaissis G, Ziegelmayer S, Lohöfer F et al (2019) A prospectively validated machine learning model for the prediction of survival and tumor subtype in pancreatic ductal adenocarcinoma. Bioinformatics. https://doi.org/10.1101/643809
Yue Y, Osipov A, Fraass B et al (2017) Identifying prognostic intratumor heterogeneity using pre- and post-radiotherapy 18F-FDG PET images for pancreatic cancer patients. J Gastrointest Oncol 8(138):127–138
Kaissis G, Ziegelmayer S, Lohöfer F et al (2019) A machine learning algorithm predicts molecular subtypes in pancreatic ductal adenocarcinoma with differential response to gemcitabine-based versus FOLFIRINOX chemotherapy. PLoS ONE 14(10):e218642. https://doi.org/10.1371/journal.pone.0218642
Springer S, Masica DL, Molin MD et al (2019) A multimodality test to guide the management of patients with a pancreatic cyst. Sci Transl Med 11:eaav4772. https://doi.org/10.1126/scitranslmed.aav4772
Kleppe A, Albregtsen F, Vlatkovic L et al (2018) Chromatin organisation and cancer prognosis: a pan-cancer study. Lancet Oncol 19:356–369. https://doi.org/10.1016/S1470-2045(17)30899-9
Kudo S, Mori Y, Misawa M et al (2019) Artificial intelligence and colonoscopy: current status and future perspectives. Dig Endosc 31:363–371. https://doi.org/10.1111/den.13340
Bonekamp D, Kohl S, Wiesenfarth M et al (2018) Radiomic machine learning for characterization of prostate lesions with MRI: comparison to ADC values. Radiology 289:128–137. https://doi.org/10.1148/radiol.2018173064
Schelb P, Kohl S, Radtke JP, Wiesenfarth M, Kickingereder P, Bickelhaupt S et al (2019) Classification of cancer at prostate MRI: deep learning versus clinical PI-RADS assessment. Radiology. https://doi.org/10.1148/radiol.2019190938
Wang J, Wu C‑J, Bao M‑L et al (2017) Machine learning-based analysis of MR radiomics can help to improve the diagnostic performance of PI-RADS v2 in clinically relevant prostate cancer. Eur Radiol 27:4082–4090. https://doi.org/10.1007/s00330-017-4800-5
Zhang Z, Chen P, McGough M et al (2019) Pathologist-level interpretable whole-slide cancer diagnosis with deep learning. Nat Mach Intell 1:236–245. https://doi.org/10.1038/s42256-019-0052-1
Piraud M, Wennmann M, Kintzelé L et al (2019) Towards quantitative imaging biomarkers of tumor dissemination: a multi-scale parametric modeling of multiple myeloma. Med Image Anal 57:214–225. https://doi.org/10.1016/j.media.2019.07.001
Finlayson SG, Chung HW, Kohane IS, Beam AL (2018) Adversarial attacks against medical deep learning systems
Mirsky Y, Mahler T, Shelef I, Elovici Y (2019) CT-GAN: malicious tampering of 3D medical imagery using deep learning
https://jip.dktk.dkfz.de/. Zugegriffen: 15.09.2020
Jha S, Topol EJ (2016) Adapting to artificial intelligence: radiologists and pathologists as information specialists. JAMA 316:2353–2354. https://doi.org/10.1001/jama.2016.17438
Author information
Authors and Affiliations
Corresponding author
Ethics declarations
Interessenkonflikt
Gemäß den Richtlinien des Springer Medizin Verlags werden Autoren und wissenschaftliche Leitung im Rahmen der Manuskripterstellung und Manuskriptfreigabe aufgefordert, eine vollständige Erklärung zu ihren finanziellen und nichtfinanziellen Interessen abzugeben.
Autoren
J. Kleesiek: A. Finanzielle Interessen: J. Kleesiek gibt an, dass kein finanzieller Interessenkonflikt besteht. – B. Nichtfinanzielle Interessen: Lehrstuhlinhaber Translationale bildgestützte Onkologie, Institut für KI in der Medizin (IKIM), Universitätsmedizin Essen, Facharzt für Radiologie, Informatiker | Mitgliedschaft: DRG. J. M. Murray A. Finanzielle Interessen: J. M. Murray gibt an, dass kein finanzieller Interessenkonflikt besteht. – B. Nichtfinanzielle Interessen: Student der Humanmedizin, Ruprecht-Karls-Universität Heidelberg, Doktorand Deutsches Krebsforschungszentrum (DKFZ), Heidelberg. S. Strack A. Finanzielle Interessen: C. Strack gibt an, dass kein finanzieller Interessenkonflikt besteht. – B. Nichtfinanzielle Interessen: Student der Humanmedizin, Ruprecht-Karls-Universität Heidelberg, Doktorand, Arbeitsgruppe Computational Radiology, Institut für Radiologie, DKFZ, Heidelberg. S. Prinz A. Finanzielle Interessen: S. Prinz gibt an, dass kein finanzieller Interessenkonflikt besteht. B. Nichtfinanzielle Interessen: Student der Humanmedizin, Ruprechts-Karls-Universität Heidelberg, Doktorand, Arbeitsgruppe Computational Radiology, Institut für Radiologie, DKFZ, Heidelberg. G. Kaissis A. Finanzielle Interessen: G. Kaissis gibt an, dass kein finanzieller Interessenkonflikt besteht. – B. Nichtfinanzielle Interessen: angestellter Facharzt für Radiologie, Technische Universität München, Klinikum rechts der Isar, angestellter Forscher, Department of Computing, Imperial College London. R. Braren: keine Angaben.
Wissenschaftliche Leitung
Die vollständige Erklärung zum Interessenkonflikt der wissenschaftlichen Leitung finden Sie am Kurs der zertifizierten Fortbildung auf www.springermedizin.de/cme.
Der Verlag
erklärt, dass für die Publikation dieser CME-Fortbildung keine Sponsorengelder an den Verlag fließen.
Für diesen Beitrag wurden von den Autoren keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.
Additional information
Wissenschaftliche Leitung
S. Schmitz, Köln
Dieser Beitrag erschien ursprünglich in Der Pathologe (2020) 41:649–658 https://doi.org/10.1007/s00292-020-00827-3 und ist eine modifizierte Version eines Übersichtsbeitrags aus Der Onkologe (2020) 26:60–65 https://doi.org/10.1007/s00761-019-00679-4
Die Teilnahme an der zertifizierten Fortbildung ist nur einmal möglich.
Künstliche Intelligenz und maschinelles Lernen in der onkologischen Bildgebung
Künstliche Intelligenz und maschinelles Lernen in der onkologischen Bildgebung
Was ist aktuell kein Vorteil von maschinellen Lernalgorithmen?
Die Algorithmen der künstlichen Intelligent (KI) sind sehr gut in der Erkennung von Mustern.
Die KI-Algorithmen ermüden nicht.
Eine sinnvolle Anwendung ist die Kombination aus Menschen und Maschine.
Die KI-Algorithmen erlauben konsistente Entscheidungen (Objektivierung) und die Quantifizierung von Ergebnissen.
Die KI-Algorithmen generalisieren besser als Menschen.
Mit welcher Thematik beschäftigt sich das Forschungsgebiet „explainable machine learning“?
Einarbeitung von künstlicher Intelligenz (KI) in das Curriculum des Medizinstudiums.
Interinstitutioneller Austausch von Algorithmen statt Patientendaten.
Ausbildung von Radiologen und Pathologen zu „Informationsspezialisten“.
Kategorisierung von Datentypen für automatisierte Diagnosepipelines.
Nachvollziehbare Entscheidungen der Algorithmen.
Was ist Radiomics?
Radiomics ist eine Analyse von Bildmerkmalen zur Vorhersage von genomischen Aspekten oder klinischen Endpunkten.
Radiomics ist ein Bildsegmentierungsalgorithmus.
Radiomics erlaubt eine Erklärung der Blackbox-Ansätze maschinellen Lernens.
Radiomics ist eine spezielle Art eines neuronalen Netzes, die vor allem in der Verarbeitung von Bilddaten Anwendung findet.
Radiomics beschäftigt sich mit dem Datenschutz der Patienten bei der Anwendung maschinellen Lernens in der Medizin.
Trotz vieler Anwendungen maschinellen Lernens in der Forschung zeigen sich erst wenige Systeme in der Klinik. Was ist einer der Gründe, der dafür im Artikel angeführt wird?
Die Ergebnisse der Anwendungen sind signifikant schlechter als die des menschlichen Experten.
Ärzte benötigen eine IT-Ausbildung, um die Systeme bedienen zu können.
Die Systeme benötigen viel Zeit, um eine Vorhersage zu machen, sodass sich die Benutzung in der Routineanwendung nicht effizient realisieren lässt.
Die Entscheidungsfindung vieler Anwendungen ist nicht nachzuvollziehen und auch Datenschutzfragen sind noch nicht abschließend geklärt.
ML-Verfahren erzeugen erhöhte Kosten für das Gesundheitssystem.
Warum finden sich in fast allen onkologischen Bereichen Anwendungen maschinellen Lernens?
Künstliche neuronale Netze können Bildmerkmalsdetektoren lernen, deren Prinzipien unabhängig von der Körperregion und Domäne Anwendung finden können.
Es wurden unabhängige Anwendungen für jede Körperregion entwickelt.
Die Systeme zeigen eine generelle Intelligenz, sodass sie in mehreren Körperregionen verwendet werden können.
Mithilfe von Methoden des „explainable machine learning“ lassen sich Anwendungen von einer Körperregion auf eine andere übertragen.
Moderne Algorithmen werden primär durch Informatiker konzipiert, die in der Onkologie zuständig sind.
Was ist kein im Artikel antizipiertes Anwendungsgebiet künstlicher Intelligenz (KI) in der Onkologie?
Früherkennung
Tumorcharakterisierung durch Imaging-Biomarker
Vorhersage von Therapieansprechen
Verlaufsbeurteilung der Erkrankungsdynamik
Kommunikationsoptimierung bei Befundmitteilung
Welche Definition aus dem Bereich der künstlichen Intelligenz (KI) ist nicht korrekt?
Die KI beschreibt die Fähigkeit einer Maschine, intelligentes menschliches Verhalten nachzuahmen.
„Machine learning“ (ML) ist ein Untergebiet der Informatik, das Lernalgorithmen entwickelt.
Imaging-Biomarker sind molekulare Substanzen, die eine verbesserte maschinelle Bildauswertung ermöglichen.
Deep Learning ist ein Lernverfahren, das auf künstliche neuronale Netze (KNN) mit vielen Schichten beruht.
Künstliche neuronale Netze sind ML-Verfahren, bei denen die Gewichte von Neuronen angepasst werden können.
Welche Aussage zu den Limitationen und Risiken künstlicher Intelligenz in der Medizin stimmt?
Deep-Learning-Verfahren benötigen im Vergleich zu klassischen Machine-learning(ML)-Verfahren sehr wenige Daten und können als Lösungsansatz für die im Bereich der künstlichen Intelligenz (KI) häufige Limitation der unzureichenden Datenmenge angesehen werden.
Nur ML-Verfahren mit sog. „Blackbox“ enthalten, in Analogie zum Flugverkehr, die Möglichkeit nachzuverfolgen, was innerhalb des Algorithmus errechnet wurde.
Eine Limitation der kollaborativen KI-Forschung ist, dass entwickelte Algorithmen immer zusammen mit denen zum „Lernen“ genutzten Daten geteilt werden müssen.
Es gibt bereits Algorithmen, die erkennen und dem Anwender mitteilen, ob bestimmte, unbekannte Eingabedaten mit erhöhter Wahrscheinlichkeit zu fehlerhaften Vorhersagen führen.
Bei Angriffen auf die IT-Infrastruktur im Gesundheitswesen muss mit Datendiebstahl, nicht aber mit Datenveränderung gerechnet werden.
Welche Aussage zu Anwendungen der künstlichen Intelligenz (KI)- in der onkologischen Bildgebung stimmt nicht?
Es gibt Studien die untersucht haben, ob die Östrogenrezeptorexpression in Hämatoxylin-Eosin-Schnitten durch Deep-Learning-Verfahren ähnlich gut vorhergesagt werden kann wie durch immunhistochemische Färbungen.
Es gibt erste kommerzielle Deep-Learning-Verfahren u. a. für die Mammographie und Befunderstellung von Röntgen-Thorax-Aufnahmen.
Es gibt künstliche neuronale Netze, die in histologischen Schnitten Krebszellen verschiedener Entitäten identifizieren und voneinander abgrenzen können.
Existierende Verfahren zur Abschätzung der Tumorinfiltration in histologischen Schnitten sind im höchsten Maße anfällig für Artefakte.
Radiomics-Analysen können eine nichtinvasive Entscheidungsfindung z. B. hinsichtlich der Wahl eines geeigneten Chemotherapeutikums ermöglichen.
Welche Aussage zum Einsatz der künstlichen Intelligenz (KI) in der Dermatoonkologie stimmt?
Die Fähigkeit eines KI-Algorithmus, benigne und maligne Läsionen in histopathologischen oder dermatoskopischen Bildern zu unterscheiden, wurde bisher noch nicht gezeigt.
Die Fähigkeit eines Algorithmus, benigne und maligne Hautläsionen auf der Grundlage von Dermatoskopiebildern zu unterscheiden, wurde gezeigt und bereits prospektiv unter realen klinischen Bedingungen validiert.
Die Fähigkeit eines Algorithmus, benigne und maligne Hautläsionen auf der Grundlage von Dermatoskopiebildern zu unterscheiden, wurde gezeigt, aber noch nicht prospektiv unter realen klinischen Bedingungen validiert.
Während Studien zeigen, dass die Unterscheidung von benignen und malignen Befunden auf der Grundlage von Dermatoskopiebildern möglich ist, konnte dies für histopathologische Bilder noch nicht demonstriert werden.
Während Studien zeigen, dass die Unterscheidung von benignen und malignen Befunden auf der Grundlage von histopathologischen Schnitten möglich ist, konnte dies für Dermatoskopiebilder noch nicht demonstriert werden.
Rights and permissions
About this article
Cite this article
Kleesiek, J., Murray, J.M., Strack, C. et al. Künstliche Intelligenz und maschinelles Lernen in der onkologischen Bildgebung. best practice onkologie 16, 176–185 (2021). https://doi.org/10.1007/s11654-021-00298-9
Published:
Issue Date:
DOI: https://doi.org/10.1007/s11654-021-00298-9
Schlüsselwörter
- Maschinelles Lernen
- Computergestützte Bildverarbeitung
- Diagnostische Bildgebung
- Deep Learning
- Neuronale Netze (Computer)