Zusammenfassung
Mit zunehmender Hoffnung und gleichzeitig Sorge beobachten viele Mediziner*innen die
jüngsten Entwicklungen auf dem Gebiet der künstlichen Intelligenz. Radiomics und künstliche
Intelligenz gehören seit gut fünf Jahren zu den am schnellsten wachsenden methodischen
Arbeitsgebieten innerhalb der medizinischen Forschung. Sie versprechen insbesondere,
komplexe Zusammenhänge in Bilddaten und strukturierten Patientendaten aufzuspüren
und daraus prädiktive Klassifikationen abzuleiten. Mit anderen Worten sollen sie dabei
helfen, die rasant zunehmende Komplexität der medizinischen Versorgung zu meistern.
Selbst innerhalb eng gefasster Spezialgebiete ist das laufend neu entstehende Wissen
oftmals kaum überschaubar und daher in der klinischen Routine nur unvollständig anwendbar.
In der Krebsversorgung, etwa bei der onkologischen Phänotypisierung und Therapieoptimierung,
ist diese Komplexitätszunahme besonders stark spürbar. Die Nuklearmedizin hat dort
bei Diagnose, Staging, Therapieauswahl und Erfolgskontrolle ihren festen Platz, und
mit geringem Zeitversatz sind Radiomics und KI auch dort mit schnell wachsenden Publikationsraten
angekommen. Innerhalb der KI ist es allen voran das tiefe maschinelle Lernen (Deep
Learning), das seit 2015 dabei ist, die konventionelle Mustererkennung fast völlig
abzulösen. Anders als das klassische Radiomics besitzt Deep Learning durch das sog.
Selbstlernen die Fähigkeit, relevante Muster auch in heterogenen, schlecht standardisierten
Daten zu erkennen. Die für komplexe Fragestellungen notwendigen integrierten Daten
müssen in vielen Fällen jedoch erst noch in ausreichender Menge verfügbar gemacht
werden. Dennoch ist bereits absehbar, dass einige der künftig generierten KI-Vorhersagen
nicht mehr vom Menschen nachvollziehbar sein werden. Umso wichtiger werden für die
Zukunft eine präzise Zieldefinition sein sowie die enge Kooperationen zwischen methodischer
Forschung, klinischer Anwendung und ethischer Begleitforschung.
Abstract
Many physicians are observing the latest developments in the field of artificial intelligence
with increasing hope and, at the same time, concern. Radiomics and artificial intelligence
have been among the fastest growing methodological fields within medical research
for a good five years. In particular, they promise to detect complex correlations
in image data and structured patient data and to derive predictive classifications
from them. In other words, they should help to master the rapidly increasing complexity
of medical care. Even within narrowly defined specialty areas, the perpetually growing
knowledge is often hardly manageable and therefore only incompletely applicable in
clinical routine. This increase in complexity is particularly noticeable in cancer
care, for example in oncological phenotyping and therapy optimization. Nuclear medicine
has a firm place there in diagnosis, staging, therapy selection, and outcome monitoring,
and with little time lag, radiomics and AI have arrived there with rapidly growing
publication rates. Within AI, it is first and foremost deep machine learning, which
has been in the process of almost completely replacing conventional pattern recognition
since 2015. Unlike classical radiomics, Deep Learning has the ability to recognize
relevant patterns even in heterogeneous, poorly standardized data through so-called
self-learning. In many cases, however, the integrated data required for complex questions
has yet to become available in sufficient quantities. Nevertheless, it is already
foreseeable that some of the future AI predictions will no longer be comprehensible
by humans. All the more important will be a precise definition of goals and close
cooperation between methodological research, clinical application, and accompanying
ethical research.
Schlüsselwörter
Onkologie - Nuklearmedizin - Verlaufskontrolle - Radiomics - Künstliche Intelligenz
- Mustererkennung
Keywords
Oncology - nuclear medicine - follow-up examination - radiomics - artificial intelligence
- pattern recognition
