Schnellere und zuverlässigere Schlaganfalldiagnostik dank KI

Wissenschaftler des Universitätsklinikums Heidelberg, des Deutschen Krebsforschungszentrums und des Universitätsklinikums Bonn haben einen Algorithmus zur automatisierten Auswertung von CT-Bildern entwickelt, der die Diagnose eines Schlaganfalls sicherer machen soll. Für Forschungszwecke über Website kostenlos nutzbar.

Bei der Schlaganfall-Diagnose ist die Computertomographie mittlerweile unverzichtbar: Die Untersuchung geht schnell und bietet einen Blick auf verursachende Gefäßverschlüsse, deren Lokalisation und Ausmaß sowie die Gewebeschäden im Gehirn. Diese Informationen sind wichtig für das weitere Vorgehen, z.B. ob ein Kathetereingriff in Frage kommt und der Patient dazu an eine darauf spezialisierte Klinik verlegt werden muss. Die Beurteilung der CT-Bilder muss schnell gehen, denn je mehr Zeit bis zum Therapiestart vergeht, desto mehr Gehirngewebe nimmt durch die Durchblutungsstörung irreparablen Schaden. „Bei selten auftretenden Verschlüssen in den äußeren Hirnbereichen kann die Beurteilung der Bilddaten aber Zeit in Anspruch nehmen und ist mit einer gewissen Unsicherheit behaftet, die auch von der Erfahrung des Teams vor Ort abhängt“, erklärte Prof. Philipp Vollmuth, Leiter der Sektion Computational Neuroimaging, Klinik für Neuroradiologie des UKHD.

Als zeitsparende Unterstützung sind mittlerweile computergestützte Analyseprogramme auf dem Markt. Dazu wird ein lernender Algorithmus anhand möglichst vieler CT-Bilddaten trainiert, Gefäßverschlüsse jeder Lage und Ausprägung im Gehirn möglichst sicher zu erkennen. Das Problem bei kommerziellen Anbietern: Sie haben nur eingeschränkten Zugang zu klinischen Daten, das Trainingsmaterial der Künstlichen Intelligenz (KI) ist daher nicht immer repräsentativ und die verwendete Methodik entspricht nicht immer dem aktuellen Stand der Wissenschaft. In der Folge erkennt die KI vor allem Verschlüsse in seltener betroffenen Hirngefäßen schlecht.

Anders beim Heidelberger Analysetool: Der Algorithmus wurde mit Bilddaten von mehr als 1000 Patienten, die mit Verdacht auf Schlaganfall am UKHD untersucht und behandelt wurden, entwickelt. Anschließend bewährte er sich in einer sechsmonatigen Testphase an drei ausgewählten Partnerkliniken des Schlaganfallkonsortiums Rhein-Neckar (FAST) und am UKB. „Unser Algorithmus zeigte sich im Vergleich zu kommerziellen KI-Produkten deutlich genauer. Darüber hinaus ist der negative Vorhersagewert, also dass bei Ausschluss eines Gefäßverschlusses durch den Algorithmus die Vorhersage tatsächlich korrekt ist, mit bis zu 97 Prozent schon sehr gut“, erklärte Vollmuth weiter. „Unser Ziel ist es aber, den Algorithmus noch besser zu machen.“

Dazu will das Projektteam „Data Crowdsourcing“ nutzen: Der Algorithmus ist über die Website https://stroke.neuroAI-HD.org für Forschungszwecke nutzbar und wird kostenlos vom DKFZ zur Verfügung gestellt. Dazu können registrierte Forscher die Bilddaten von Patienten auf der Website hochladen und erhalten innerhalb weniger Minuten die Auswertung. Die eingespielten Bilddaten sollen zukünftig nach Zustimmung dazu genutzt werden, die KI weiter zu trainieren. „Mithilfe dieses Konzepts werden wir den Algorithmus kontinuierlich verbessern und hoffen daher, dass sich möglichst viele Kliniken an dem Projekt beteiligen. Wir sehen dieses Konzept als eine Blaupause für die kooperative Entwicklung von maximal zuverlässigen KI-Algorithmen“, erklärte Dr. Ralf Floca, Gruppenleiter in der Abteilung für Medizinische Bildverarbeitung am DKFZ

Den kritischen Blick von Arzt oder Ärztin kann und soll die KI nicht ersetzen: Für die Diagnosestellung gilt weiterhin das Vier-Augen-Prinzip. „Das System hilft bei der Absicherung der Diagnose, insbesondere, wenn die Symptome nicht eindeutig sind und an kleineren Häusern keine spezialisierte neuroradiologische Expertise vorhanden ist. Außerdem gibt unser Algorithmus an, wie sicher er in seinem Ergebnis ist. Bei großer Unsicherheit sollten weitere Untersuchungen folgen“, erklärte Vollmuth. Großen Nutzen für die Betroffenen sieht er vor allem in der Möglichkeit, durch die KI-Unterstützung in dieser zeitkritischen Situation schneller die Therapie einleiten zu können.