FutureLab.Radiology
Die automatische Textanalyse radiologischer Befunde und der Aufbau von CT-basierten Trainingsdatensätzen für den zukünftigen Einsatz von Deep-Learning-Algorithmen in der radiologischen Diagnostik stehen im Fokus des Projekts FutureLab.Radiology. Das Forschungsvorhaben wird in Kooperation mit der Medizinischen Universität Graz durchgeführt.
Projektziel
Ziel des Projekts FutureLab.Radiology ist es, die Weichen für die digitalisierte Zukunft in der Radiologie zu stellen. Dabei wird die verstärkte Zusammenarbeit zwischen angewandter Forschung und Lehre im Bereich künstlicher Intelligenz forciert.
Maschinelles Lernen in der Radiologie
Durch den großen Fortschritt im Bereich des maschinellen Lernens und den immer häufigeren Einsatz intelligenter Systeme in den letzten Jahren können radiogische Bilddaten treffsicherer interpretiert und Pathologien erkannt werden. Um solche Verfahren des maschinellen Lernens sinnvoll einsetzen zu können, sind sogenannte Trainingssets, also verifizierte Beispiele, anhand derer der Computeralgorithmus lernen kann, notwendig. Weltweit werden an führenden medizinischen Einrichtungen Daten für intelligente Klassifizierungssysteme gesammelt und kategorisiert.
Beispiele für die Anwendung intelligenter Systeme im radiologischen Bereich
- Automatisiertes Erkennen von Blutungen
- Tumorklassifikationen
- Identifikation funktioneller Netzwerke im Gehirn
- Früherkennung von Alzheimer
Aufbau von Trainingsdatensätzen
Je nach Algorithmus und Komplexität der Fragestellung können die Trainingssets aus bis zu vielen tausend Beispielen bestehen. Diese große Anzahl ist besonders im medizinischen Bereich notwendig, um entsprechende Trefferquoten zu erzielen. Jedoch ist der Aufbau von Datenbanken für Trainingsdaten aufwendig und zeitintensiv. Um für die Zukunft gerüstet zu sein, ist es daher notwendig, innovative Strategien zu entwickeln, Trainingsdatensätze aus der klinischen Routine zu generieren, zu speichern und für Deep-Learning-Anwendungen in Lehre und Forschung zur Verfügung zu stellen.
Der Umfang solcher Datensätze ist erheblich und kann somit nur an einem großen Zentrum mit entsprechenden Untersuchungszahlen akquiriert werden. Diese Voraussetzung wird am Universitätsklinikum LKH-Graz als wichtigstes medizinisches Versorgungszentrum der Steiermark in hohem Maße erfüllt. Die Überprüfung der Bilddaten und eine entsprechende Qualitätssicherung ist beim Aufbau einer Datenbank für Trainingszwecke wesentlich, um trotz des Einsatzes von Computeralgorithmen eine hohe diagnostische Genauigkeit zu erreichen und damit Patientensicherheit zu gewährleisten. Diese Qualitätssicherung erfolgt durch eine entsprechend ausgebildete Radiologin oder einen entsprechend ausgebildeten Radiologen unter Supervision eines Facharztes oder einer Fachärztin für Radiologie.
Forschungsschwerpunkt des Projekts FutureLab.Radiology ist der Aufbau von Trainingsdatensätzen für Deep-Learning-Algorithmen. Dabei gilt es, Bilddaten von Computertomographie-Untersuchungen mit Signalwörtern aus dem ärztlichen Befund zu verknüpfen. Um tausende solcher Datensätze zu generieren, ist eine automatische Auswertung der medizinischen Befunde mittels semantischer Textanalysesoftware notwendig. Die extrahierten Schlagworte werden dann mit der Bildinformation verknüpft, wobei patientenrelevante Informationen aus Gründen des Datenschutzes entfernt werden.
Der allgemeine Aufbau einer Struktur zur Erstellung von Trainingsdatensätzen ist zentraler Bestandteil der Projektstrategie. Denn damit soll auch die Anwendbarkeit auf andere Untersuchungsregionen beziehungsweise auf andere bildgebende (Hybrid-)Modalitäten (SPECT CT, PET CT, PET MR) in fernerer Zukunft ermöglicht werden. Dem digitalen Wandel in der radiologischen Arbeitswelt muss auch in der Lehre Rechnung getragen werden. Um diese neuen Konzepte anwenden und verstehen zu können, ist eine enge Kooperation zwischen Forschung und Lehre erforderlich. Dies garantiert eine hohe Problemlösungskompetenz sowie das Wissen um Risiken und Nutzen dieser neuen Technologie.