Kann künstliche Intelligenz helfen, Krebs auf neue und bessere Weise zu sehen?

Ein Deep-Learning-Algorithmus, der darauf trainiert ist, Bilder von MRT-Scans zu analysieren, sagt das Vorhandensein einer IDH1 -Genmutation in Gehirntumoren voraus.

Bildnachweis: CA Cancer J Clin März/April 2019. doi: 10.3322/caac.21552. CC-BY 4.0.

Zwei identische Schwarz-Weiß-Bilder von trüben Formen sitzen nebeneinander auf einem Computerbildschirm. Auf der linken Seite hat Ismail Baris Turkbey, MD, ein Radiologe mit 15 Jahren Erfahrung, einen Bereich umrissen, in dem die verschwommenen Formen das darstellen, was er für einen schleichenden, wachsenden Prostatakrebs hält. Auf der anderen Seite des Bildschirms hat ein Computerprogramm mit künstlicher Intelligenz (KI) dasselbe getan – und die Ergebnisse sind nahezu identisch.

Das Schwarz-Weiß-Bild ist ein MRT-Scan von jemandem mit Prostatakrebs, und das KI-Programm hat Tausende von ihnen analysiert.

„Das [KI]-Modell findet die Prostata und umreißt krebsverdächtige Bereiche ohne menschliche Aufsicht“, erklärt Dr. Turkbey. Seine Hoffnung ist, dass die KI weniger erfahrenen Radiologen hilft, Prostatakrebs zu erkennen, wenn er vorhanden ist, und alles abzulehnen, was mit Krebs verwechselt werden könnte.

Dieses Modell ist nur die Spitze des Eisbergs, wenn es um die Schnittstelle zwischen künstlicher Intelligenz und Krebsforschung geht. Während die potenziellen Anwendungen endlos erscheinen, konzentriert sich ein Großteil dieses Fortschritts auf Werkzeuge für die Krebsbildgebung .

Von Röntgenaufnahmen ganzer Organe bis hin zu Mikroskopaufnahmen von Krebszellen setzen Ärzte bildgebende Verfahren auf vielfältige Weise ein: um Krebs in seinen frühesten Stadien zu finden, das Stadium eines Tumors zu bestimmen, zu sehen, ob die Behandlung anschlägt, und zu überwachen, ob der Krebs nach der Behandlung zurückgekehrt ist .

In den letzten Jahren haben Forscher KI-Tools entwickelt, die das Potenzial haben, die Krebsbildgebung schneller, genauer und sogar informativer zu machen. Und das hat für viel Aufregung gesorgt.

„Es gibt eine Menge Hype [um KI], aber es wird auch viel geforscht“, sagte Stephanie Harmon, Ph.D., Datenwissenschaftlerin in der Molecular Imaging Branch des NCI.

Diese Forschung, so sagen Experten, beinhaltet die Beantwortung der Frage, ob diese Tools bereit sind, die Forschungslabore zu verlassen und in die Arztpraxen einzudringen, ob sie den Patienten tatsächlich helfen und ob dieser Nutzen allen – oder nur einigen – Patienten zugute kommt.

Was ist künstliche Intelligenz?

Künstliche Intelligenz bezieht sich auf Computerprogramme oder Algorithmen, die Daten verwenden, um Entscheidungen oder Vorhersagen zu treffen. Um einen Algorithmus zu erstellen, können Wissenschaftler eine Reihe von Regeln oder Anweisungen erstellen, die der Computer befolgen muss, damit er Daten analysieren und eine Entscheidung treffen kann.

Zum Beispiel verwendeten Dr. Turkbey und seine Kollegen bestehende Regeln darüber, wie Prostatakrebs auf einem MRT-Scan erscheint. Anschließend trainierten sie ihren Algorithmus mit Tausenden von MRT-Studien – einige von Menschen, von denen bekannt ist, dass sie Prostatakrebs haben, und andere von Menschen, die dies nicht getan haben.

Bei anderen Ansätzen der künstlichen Intelligenz, wie dem maschinellen Lernen , bringt sich der Algorithmus selbst bei, Daten zu analysieren und zu interpretieren. Daher können maschinelle Lernalgorithmen Muster erkennen, die für das menschliche Auge oder Gehirn nicht ohne weiteres erkennbar sind. Und wenn diese Algorithmen mehr neuen Daten ausgesetzt werden, verbessert sich ihre Fähigkeit, die Daten zu lernen und zu interpretieren.

Forscher haben auch Deep Learning, eine Art maschinelles Lernen, in Anwendungen zur Krebsbildgebung eingesetzt. Deep Learning bezieht sich auf Algorithmen, die Informationen ähnlich wie das menschliche Gehirn klassifizieren. Deep-Learning-Tools verwenden „künstliche neuronale Netze“, die nachahmen, wie unsere Gehirnzellen Signale vom Rest unseres Körpers aufnehmen, verarbeiten und darauf reagieren.

Forschung zu KI für die Krebsbildgebung

Ärzte verwenden bildgebende Krebstests, um eine Reihe von Fragen zu beantworten, z. B.: Ist es Krebs oder ein harmloser Knoten? Wenn es Krebs ist, wie schnell wächst er? Wie weit hat es sich ausgebreitet? Wächst es nach der Behandlung wieder? Studien deuten darauf hin, dass KI das Potenzial hat, die Geschwindigkeit, Genauigkeit und Zuverlässigkeit zu verbessern, mit der Ärzte diese Fragen beantworten.

„KI kann Bewertungen und Aufgaben automatisieren, die Menschen derzeit erledigen können, aber viel Zeit in Anspruch nehmen“, sagte Hugo Aerts, Ph.D., von der Harvard Medical School. Nachdem die KI ein Ergebnis geliefert hat, „muss ein Radiologe einfach überprüfen, was die KI getan hat – hat sie die richtige Einschätzung getroffen?“ Dr. Aerts fuhr fort. Dass die Automatisierung Zeit und Kosten sparen soll, muss sich aber noch beweisen, fügte er hinzu.

Darüber hinaus könnte die KI die Bildinterpretation – eine höchst subjektive Aufgabe – unkomplizierter und zuverlässiger machen, bemerkte Dr. Aerts.

Komplexe Aufgaben, die davon abhängen, dass „ein Mensch ein Bild interpretiert – sagen wir, ein Radiologe, ein Dermatologe, ein Pathologe – hier sehen wir enorme Durchbrüche, die mit Deep Learning erzielt werden“, sagte er.

Was Wissenschaftler jedoch am meisten begeistert, ist das Potenzial der KI, über das hinauszugehen, was Menschen derzeit selbst tun können. KI kann Dinge „sehen“, die wir Menschen nicht können, und kann komplexe Muster und Beziehungen zwischen sehr unterschiedlichen Arten von Daten finden.

„KI ist großartig darin, die menschliche Leistung für viele Aufgaben zu übertreffen“, sagte Dr. Aerts. Aber in diesem Fall ist es oft unklar, wie die KI zu ihrem Schluss kommt, sodass es für Ärzte und Forscher schwierig ist, zu überprüfen, ob das Tool richtig funktioniert.

Krebs früh erkennen

Tests wie Mammographien und Pap-Tests werden verwendet, um Menschen regelmäßig auf Anzeichen von Krebs oder präkanzerösen Zellen zu untersuchen, die sich in Krebs verwandeln können. Ziel ist es, Krebs frühzeitig zu erkennen und zu behandeln, bevor er sich ausbreitet oder sogar bevor er sich überhaupt bildet.

Wissenschaftler haben KI-Tools entwickelt, um Screening-Tests für verschiedene Krebsarten, einschließlich Brustkrebs, zu unterstützen. KI-basierte Computerprogramme werden seit mehr als 20 Jahren eingesetzt, um Ärzten bei der Interpretation von Mammogrammen zu helfen, aber die Forschung auf diesem Gebiet entwickelt sich schnell weiter.

Eine Gruppe hat einen KI-Algorithmus entwickelt, der dabei helfen kann, zu bestimmen, wie oft jemand auf Brustkrebs untersucht werden sollte. Das Modell verwendet die Mammographiebilder einer Person , um ihr Risiko vorherzusagen, in den nächsten 5 Jahren an Brustkrebs zu erkranken . In verschiedenen Tests war das Modell genauer als die aktuellen Tools zur Vorhersage des Brustkrebsrisikos.

NCI-Forscher haben einen Deep-Learning-Algorithmus entwickelt und getestet, der zervikale Präkanzerosen identifizieren kann, die entfernt oder behandelt werden sollten. In einigen ressourcenarmen Umgebungen untersuchen Gesundheitshelfer auf Gebärmutterhalskrebs, indem sie den Gebärmutterhals mit einer kleinen Kamera untersuchen. Obwohl diese Methode einfach und nachhaltig ist, ist sie nicht sehr zuverlässig oder genau.

Mark Schiffman, MD, MPH, von der NCI- Abteilung für Krebsepidemiologie und Genetik , und seine Kollegen haben einen Algorithmus entwickelt, um die Fähigkeit zu verbessern, zervikale Präkanzerosen mit der visuellen Inspektionsmethode zu finden. In einer Studie aus dem Jahr 2019 schnitt der Algorithmus besser ab als ausgebildete Experten .

Bei Dickdarmkrebs wurde in klinischen Studien gezeigt, dass mehrere KI-Tools die Erkennung von präkanzerösen Wucherungen, sogenannten Adenomen, verbessern . Da jedoch nur ein kleiner Prozentsatz der Adenome zu Krebs wird, befürchten einige Experten, dass solche KI-Tools bei vielen Patienten zu unnötigen Behandlungen und zusätzlichen Tests führen könnten .

Krebs erkennen

KI hat auch das Potenzial gezeigt, die Krebserkennung bei Menschen mit Symptomen zu verbessern. Das von Dr. Turkbey und seinen Kollegen im Zentrum für Krebsforschung des NCI entwickelte KI-Modell könnte es beispielsweise Radiologen erleichtern, potenziell aggressiven Prostatakrebs bei einer relativ neuen Art von Prostata-MRT-Scan, der sogenannten multiparametrischen MRT, zu erkennen.

Das KI-Modell von Dr. Harmon verwendet digitale Bilder einer Gewebeprobe eines Blasentumors („INPUT“ auf der linken Seite), um das Risiko einer Ausbreitung des Krebses auf benachbarte Lymphknoten („OUTPUT“ auf der rechten Seite) vorherzusagen.

Bildnachweis: Mit freundlicher Genehmigung von Stephanie Harmon, Ph.D.

Das Modell betrachtet digitale Bilder von primärem Tumorgewebe , um vorherzusagen, ob es mikroskopisch kleine Krebscluster in nahe gelegenen Lymphknoten gibt . In einer Studie aus dem Jahr 2020 erwies sich das Deep-Learning-Modell als genauer als die Standardmethode zur Vorhersage, ob sich Blasenkrebs ausgebreitet hat , die auf einer Kombination von Faktoren wie dem Alter des Patienten und bestimmten Merkmalen des Tumors basiert.

Genetische Informationen über den Krebs der Patienten werden immer häufiger verwendet, um bei der Auswahl der am besten geeigneten Behandlung zu helfen . Wissenschaftler in China haben ein Deep-Learning-Tool entwickelt, um das Vorhandensein von Schlüsselgenmutationen anhand von Bildern von Leberkrebsgewebe vorherzusagen – etwas, das Pathologen nicht tun können, indem sie sich nur die Bilder ansehen.

Ihr Werkzeug ist ein Beispiel für KI, die auf mysteriöse Weise funktioniert: Die Wissenschaftler, die den Algorithmus entwickelt haben, wissen nicht, wie er erkennt, welche Genmutationen im Tumor vorhanden sind.

Sind KI-Tools für die Krebsbildgebung bereit für die reale Welt?

Obwohl Wissenschaftler KI-Tools für die Krebsbildgebung am laufenden Band entwickeln, steckt das Gebiet noch in den Kinderschuhen und viele Fragen zu den praktischen Anwendungen dieser Tools bleiben unbeantwortet.

Während sich Hunderte von Algorithmen in frühen Tests als genau erwiesen haben, haben die meisten noch nicht die nächste Testphase erreicht , die sicherstellt, dass sie für die reale Welt bereit sind, sagte Dr. Harmon.

Dieses Testen, bekannt als externe oder unabhängige Validierung, „sagt uns, wie verallgemeinerbar unser Algorithmus ist. Das heißt, wie nützlich ist es bei einem völlig neuen Patienten? Wie funktioniert es bei Patienten aus verschiedenen [medizinischen] Zentren oder verschiedenen Scannern?“ erklärte Dr. Harmon. Mit anderen Worten, funktioniert das KI-Tool über die Daten hinaus, mit denen es trainiert wurde, genau?

KI-Algorithmen, die strenge Validierungstests in verschiedenen Gruppen von Menschen aus verschiedenen Regionen der Welt bestehen, könnten breiter eingesetzt werden und daher mehr Menschen helfen, fügte sie hinzu.

Neben der Validierung, so Dr. Turkbey, müssen klinische Studien auch zeigen, dass KI-Tools Patienten tatsächlich helfen, indem sie entweder verhindern, dass Menschen an Krebs erkranken, ihnen helfen, länger zu leben oder eine bessere Lebensqualität zu haben , oder ihnen Zeit oder Geld sparen.

Aber auch danach, so Dr. Aerts, lautet eine wichtige Frage zur KI: „Wie stellen wir sicher, dass diese Algorithmen über Jahre hinweg funktionieren und gut funktionieren?“ Beispielsweise könnten neue Scanner Merkmale des Bildes verändern, auf die sich ein KI-Tool stützt, um Vorhersagen oder Interpretationen zu treffen, erklärte er. Und das könnte ihre Leistung verändern.

Es stellt sich auch die Frage, wie KI-Tools reguliert werden. Bis 2020 haben mehr als 60 KI-basierte medizinische Geräte oder Algorithmen die FDA-Zulassung erhalten . Aber selbst nachdem sie genehmigt wurden, ändern sich einige maschinelle Lernalgorithmen, wenn sie neuen Daten ausgesetzt werden. Im Jahr 2021 hat die FDA einen Rahmen für die Überwachung von KI-Technologien herausgegeben, die sich anpassen können .

Es gibt auch Bedenken hinsichtlich der Transparenz einiger KI-Tools. Bei manchen Algorithmen, wie demjenigen, der Genmutationen in Lebertumoren vorhersagen kann, wissen Wissenschaftler nicht, wie sie zu ihrem Schluss kommen – ein Rätsel, das als „Black-Box-Problem“ bekannt ist. Experten sagen, dass dieser Mangel an Transparenz eine kritische Prüfung auf Verzerrungen und Ungenauigkeiten verbietet.

Eine kürzlich durchgeführte Studie hat beispielsweise gezeigt, dass ein maschineller Lernalgorithmus, der darauf trainiert wurde, Krebsergebnisse vorherzusagen, sich auf das Krankenhaus konzentrierte, in dem das Tumorbild aufgenommen wurde , und nicht auf die Tumorbiologie des Patienten. Obwohl dieser Algorithmus in keiner medizinischen Umgebung verwendet wird, könnten andere auf die gleiche Weise trainierte Tools die gleiche Ungenauigkeit aufweisen, warnten die Forscher.

Es gibt auch Bedenken, dass KI die Lücken in den Gesundheitsergebnissen zwischen privilegierten und benachteiligten Gruppen verschlimmern könnte, indem sie Vorurteile verschärft, die bereits in unser medizinisches System und unsere Forschungsprozesse eingebrannt sind, sagte Irene Dankwa-Mullan, MD, MPH, stellvertretende Chief Health Equity Officer von IBM Watson Die Gesundheit.

Diese Vorurteile seien tief in die Daten eingebettet, die zur Erstellung von KI-Modellen verwendet werden, erklärte sie auf der Konferenz der American Association for Cancer Research Science of Cancer Health Disparities 2021.

Beispielsweise hat sich kürzlich gezeigt, dass eine Handvoll medizinischer Algorithmen für Schwarze Menschen weniger genau sind als für Weiße . Diese potenziell gefährlichen Mängel ergeben sich aus der Tatsache, dass die Algorithmen hauptsächlich anhand von Daten von weißen Patienten trainiert und validiert wurden, haben Experten festgestellt.

Auf der anderen Seite glauben einige Experten, dass KI den Zugang zur Krebsversorgung verbessern könnte, indem sie Krankenhäusern, denen es an Spezialisten mangelt, eine Versorgung auf Expertenebene ermöglicht.

„Was [KI] tun kann, ist, dass es in einer Umgebung, in der es Ärzte gibt, die vielleicht nicht so viel Fachwissen haben, ihre Leistung möglicherweise auf ein Expertenniveau bringen kann“, erklärte Dr. Harmon.

Einige KI-Tools könnten sogar den Bedarf an hochentwickelter Ausrüstung umgehen. Der von Dr. Schiffman entwickelte Deep-Learning-Algorithmus für die Gebärmutterhalskrebsvorsorge beispielsweise setzt auf Mobiltelefone oder Digitalkameras und kostengünstige Materialien.

Trotz dieser Bedenken sind die meisten Forscher optimistisch für die Zukunft der KI in der Krebsbehandlung. Dr. Aerts zum Beispiel glaubt, dass diese Hürden mit mehr Arbeit und Zusammenarbeit zwischen Experten aus Wissenschaft, Medizin, Regierung und kommunaler Umsetzung überwunden werden können.

„Ich denke, [KI-Technologien] werden schließlich in die Klinik eingeführt, weil die Leistung einfach zu gut ist und es eine Verschwendung ist, wenn wir dies nicht tun“, sagte er.

Quelle: National Cancer Institute

Das könnte dich auch interessieren …

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.