Hautkrebsdiagnose: Verstärkungslernen für bessere Leistung der Künstlichen Intelligenz erforscht

Künstliche Intelligenz (KI) wird bereits bei der Diagnose von Hautkrebs eingesetzt, kann aber mit der komplexen Entscheidungsfindung von Ärzten in der Praxis (noch) nicht Schritt halten. Ein internationales Forschungsteam hat nun das Verstärkungslernen als Methode erforscht, bei der durch Einbeziehung menschlicher Entscheidungskriterien mehr Treffsicherheit in den Ergebnissen der KI erzielt werden kann.

So konnte die Rate der von Dermatologen gestellten korrekten Hautkrebsdiagnosen um zwölf Prozent verbessert werden. Die Studie wurde aktuell in „Nature Medicine“ publiziert. Die Forschenden setzten im Rahmen ihrer Studie auf das Reinforcement Learning (RL, dt.: Verstärkungslernen) genannte Lernmodell und integrierten (menschliche) Kriterien in Form von „Belohnungstabellen“ in das KI-System.

Belohnungstabellen sind Instrumente, die die positiven und negativen Konsequenzen klinischer Bewertungen sowohl aus Sicht der Ärzte als auch aus Sicht der Patienten in den Entscheidungsprozess einbeziehen. Auf dieser Grundlage wurden Ergebnisse der KI-Diagnose nicht nur mit richtig oder falsch bewertet, sondern abhängig von den Auswirkungen der Diagnose bzw. der daraus folgenden Entscheidungen mit einer bestimmten Anzahl von Plus- oder Minuspunkten „belohnt“ beziehungsweise „bestraft“.

Von menschlicher Einschätzung lernen

„So lernte die KI nicht nur bildbasierte Merkmale, sondern auch Konsequenzen von Fehldiagnosen in der Einschätzung von gutartigen und bösartigen Hauterscheinungen zu berücksichtigen“, verdeutlicht Studienleiter Dr. Harald Kittler von der Universitätsklinik für Dermatologie der MedUni Wien. Dadurch konnte, wie die Studie zeigt, die Treffsicherheit der Diagnose Hautkrebs deutlich verbessert werden: Die Sensitivität für Melanome etwa wurde von 61,4 auf 79,5 Prozent und für Basalzellkarzinome von 79,4 auf 87,1 Prozent erhöht. Insgesamt steigerte sich durch den Einsatz von RL die Rate der von Dermatologen gestellten korrekten Diagnosen um zwölf Prozent, während sich die Rate der optimalen Entscheidungen für Management und Therapie der Erkrankung von 57,4 auf 65,3 Prozent erhöhte.

Auch bei anderen Erkrankungen denkbar

Die so verbesserte Leistung der KI-basierten Hautkrebsdiagnose ist auch darauf zurückzuführen, dass durch RL das übermäßige Vertrauen der KI in ihre eigenen Vorhersagen verringert wird und Vorschläge differenzierter, „menschlicher“ werden. „Das wiederum hilft den Ärztinnen und Ärzten dabei, in komplexen medizinischen Szenarien genauere und auf Patientinnen und Patienten individuell zugeschnittene Entscheidungen zu treffen“, betont Kittler im Vorfeld weiterer Forschungen zum Thema. Die aktuelle Arbeit konzentrierte sich zwar hauptsächlich auf die Hautkrebsdiagnose, aber die grundlegenden Ideen könnten auch in anderen Bereichen der medizinischen Entscheidungsfindung eingesetzt werden.