Medizinische Bildverarbeitung

Intelligente Verarbeitung von medizinischen Bilddaten

Der Großteil unserer Projekte beschäftigt sich mit der Verarbeitung von medizinischen Bilddaten (z. B. MRT oder CT-Scans). Die Tools lassen sich in Ihre Infrastruktur einfach integrieren und bieten die Möglichkeit, den Diagnoseprozess von spezifischen Krankheiten zu erleichtern, indem die Bilddaten automatisiert segmentiert und Auffälligkeiten hervorgehoben werden. Uns ist dabei wichtig, die finale Entscheidung im Diagnoseprozess den behandelnden Fachexpert*innen zu überlassen, um die höchste Genauigkeit und Sicherheit für den/die Patient*in zu garantieren. So können erhebliche Zeiteinsparungen realisiert werden und durch die Synergie von Menschen und Maschine wird das medizinische Fachpersonal ebenfalls entlastet.

Seltene Krankheiten erkennen und Patient*innen vernetzen

Im Projekt »unrare.me« entwickeln wir zusammen mit dem Uniklinikum Bonn (UKB) eine Vermittlungsplattform für Patient*innen mit seltenen Krankheiten. Damit adressieren wir die große Herausforderung für Menschen mit seltenen Krankheiten, Fachärzte aufzufinden, die Erfahrung mit der Behandlung der jeweiligen Erkrankung haben. Die Suche ist äußerst schwer und involviert nicht selten viele Stunden Autofahrt – oder läuft im schlechtesten Fall ins Leere.

Der Kerngedanke ist hierbei, Patient*innen (unter Einverständnis) mit ähnlichen Krankheitsbildern in Kontakt zu bringen, sodass sich diese über ihre Leidensgeschichte und Behandlungsmöglichkeiten sowie Kontakte zu Fachärzten austauschen können. Ein positiver Nebeneffekt ist hierbei, dass bei einer erfolgreichen Skalierung dieses Projektes, die wenigen hundert Patient*innen mit der gleichen seltenen Krankheit in einer Datenbank vorhanden sind und somit das Auffinden von Proband*innen für (Ursachen-)Forschung deutlich vereinfacht werden könnte.
 

• Mehr Info

KI-gestützte Diagnostik in der Radiologie des Universitätsklinikum Bonn (UKB)

In Kooperation mit dem Uniklinikum Bonn (UKB), haben wir im Rahmen eines Projektes, geleitet von Frau Prof. Dr. Attenberger, ein KI-basiertes Assistenzsystem entwickelt, das bei der Diagnose von den vier häufigsten Thoraxerkrankungen und der Bestimmung der Fremdkörperlage unterstützt.

Mit dem Ziel, diese vier Krankheiten identifizieren zu können, mussten wir zu Beginn des Projektes jedoch zunächst das Problem der Verfügbarkeit von großen sowie qualitativ hochwertigen Datensätzen für das Training unserer KI/ML-Modelle lösen. Die Klassifikation sollte auf Basis von ICU-ChestXRays erfolgen, die üblicherweise durch die Fachexpert*innen in Textform als Befund vorgenommen wird.

Theoretisch bieten diese medizinischen Befunde eine extensive Datenbank und damit einen sehr guten Anknüpfungspunkt, um KI- und ML-Lösungen zu entwickeln. Jedoch sind die Befunde in der Regel nicht standardisiert oder in ausreichend strukturierter Form vorhanden, wie es für das Training von unseren Tools benötigt wird. Um dieses Problem zu lösen, haben wir unseren Natural Language Processing-Algorithmus vorerst darauf trainiert, die unstrukturierten Befunde klassifizieren zu können. Im nächsten Schritt mussten wir dann unseren Modellen beibringen, die Systematik zwischen einem Befund und dem jeweilig passenden Bilddatensatz zu verstehen, um letztendlich auch Bilder automatisch auszuwerten.

Training des Algorithmus zur Diagnoseunterstützung

Immunerkrankungen werden bisher meist symptomatisch mit Medikamenten therapiert, die das Immunsystem der Patient*innen unspezifisch unterdrücken (immunsuppressive Therapie). Eine ursächliche, individualisierte Therapie ist derzeit noch nicht möglich. Dementsprechend besteht für die Entwicklung von möglichen Therapieverfahren und der Untersuchung von Ursachen noch großer Forschungsbedarf.

Unser Schwerpunkt liegt dabei auf der Rolle von Künstlicher Intelligenz zur Verbesserung der Risikovorhersage und -prävention. So könnte KI zum Beispiel bei dem Clustering zur Identifizierung von differenzierbaren Subgruppen, zum Beispiel bisher unbekannter Geno-/Phänotyp-Assoziationen, verwendet werden.