Künstliche Intelligenz in der Neuroonkologie

Neurologie psychopraxis. neuropraxis https://doi.org/10.1007/s00739-023-00967-0 Angenommen: 22. November 2023 © The Author(s) 2023 Künstliche Intelligenz in der Neuroonkologie Martha Nowosielski-Krappinger Department für Neurologie, Medizinische Universität Innsbruck, Innsbruck, Österreich Zusammenfassung Künstliche Intelligenz ist in aller Munde, teilweise bemerkt, großteils jedoch unbemerkt, ist sie seit vielen Jahren Teil unseres Lebens. Die Bestrebungen, menschliche Intelligenz zu mechanisieren, bestehen schon seit den 1950er-Jahren. Erst die technischen und mathematischen Errungenschaften der letzten 20 Jahre haben die Anwendung erleichtert, sodass unterschiedliche Institutionen die künstliche Intelligenz in ihrem (Arbeits-)Alltag nützen. Auch die Medizin bedient sich der künstlichen Intelligenz, im Folgenden exemplarisch dargestellt für neuroonkologische Erkrankungen. Als multidisziplinäres Fach müssen viele Faktoren (Bildgebung, molekulare und genetische wie auch klinische Faktoren) miteinander in Zusammenhang gebracht werden, um den Patient:innen die bestmögliche Behandlung anzubieten. Je größer der Datensatz, desto eher ist man auf eine computerbasierte Unterstützung in Form von künstlicher Intelligenz angewiesen. Wie künstliche Intelligenz funktioniert und in welchen Bereichen sie in der Neuroonkologie Anwendung findet, wird im folgenden Artikel beleuchtet. Schlüsselwörter Maschinelles Lernen · Neuronale Netzwerke (tiefes Lernen) · Automatisierte Bildanalyse · Digitale Pathologie · Unterstützende Funktion QR-Code scannen & Beitrag online lesen Künstliche Intelligenz (KI) ist spätestens seitChatGPT (OpenAI, 2022) inaller Munde. Und wenn sich dann auch Hollywood mit dem Thema auseinandersetzt, dann weiß man, dass es in der breiten Bevölkerung angekommen ist. Doch künstliche Intelligenz begleitet uns schon lange, teilweise auch unbemerkt im Hintergrund. Den Grundstein für das Fachgebiet der Künstlichen Intelligenz legte der britische Mathematiker Alan Turing im Jahr 1936. Turing bewies, dass eine Rechenmaschine – eine sogenannte „Turingmaschine“ – in der Lage ist, kognitive Prozesse auszuführen. Heute nutzt zum Beispiel die Finanzbranche KI zur Betrugserkennung. Regierungen und Behörden nutzen KI-Techniken, wie automatische Gesichtserkennung, zur Überwachung. Auch in Videospielen oder der Werbebranche kommt KI zum Einsatz. Was ist denn nun künstliche Intelligenz? Einfach gesagt ist es die Bestrebung, menschliche Intelligenz zu mechanisieren. Als künstliche Intelligenz wird somit jegli- che Arbeit bezeichnet, die von einem Computer durchgeführt wird, die normalerweise durch den Menschen gemacht wird. Durch die technischen Errungenschaften mit Schaffung großer Rechenkapazitäten zusammen mit den mathematischen Entwicklungen ist dieses Feld in den letzten 20 Jahren enorm gewachsen. Machine learning: supervised learning und unsupervised learning Es gibt unterschiedliche Arten der KI (. Abb. 1). Eine Untergruppe der KI bezeichnet das maschinelle Lernen (engl. „machine learning“). Hier wiederum gibt es zwei prinzipielle Ansätze, das „supervised learning“ und das „unsupervised learning“. Beim „supervised learning“ wird dem Computer ein spezieller Datensatz präsentiert und mittels spezieller mathematischer Algorithmen „lernt“ dieser aus den Daten und erkennt Gesetzmäßigkeiten (Training) psychopraxis. neuropraxis 1 Neurologie beschäftigt sich mit der Analyse der Gesamtheiten ähnlicher Einzelelemente. In der Neuroonkologie ist der „golden standard“ der Bildgebung für eine Vielzahl an Fragestellungen die Magnetresonanztomographie (MRT). » Mittels „radiomics“ werden Grauwerte aus einzelnen Voxel analysiert und statistisch zueinander in Beziehung gesetzt Abb. 1 8 Künstliche Intelligenz bezeichnet jegliche Arbeit die von einer/m Maschine/Computer durchgeführt wird, die normalerweise durch den Menschen gemacht wird. Maschinelles Lernen beschreibt einen Prozess, bei dem Algorithmen aus Daten lernen können („supervised learning“) bzw. einen Prozess, bei welchem Zusammenhänge in großen Datenmengen gefunden werden (Clusteranalyse, „unsupervised learning“). Beim „deep learning“ interagieren neuronale Netzwerke auf unterschiedlichen Ebenen miteinander. So kann gelernte Information auf niedrigere Ebenen übertragen werden, umdie Vorhersage bzw. das Ergebnis zu verbessern und kann diese dann auf neue unbekannte Daten umlegen (Validierung), z. B. lineare Regression, „support vektor machines“, „random forest analyse“, „decision trees“. Beim „unsupervised learning“ findet der Computer Zusammenhänge in großen Datenmengen, ohne festzulegen wonach gesucht werden soll (Clusteranalyse) [1]. Deep Learning „Deep Learning“ – wiederum eine Untergruppe des maschinellen Lernens – entstand aus der Idee heraus, den visuellen Kortex des Menschen nachzuahmen. Im Gehirn entstehen aus einzelnen Linien und Formen durch Interaktion unterschiedlicher Ebenen ganze Objekte und auch im „deep learning“ sind unterschiedliche Ebenen miteinander durch künstliche Netzwerke (sog. „artificial neuronal networks“) miteinander verbunden. Durch einen sog. „backpropagation“ Algorithmus kann das System selbstständig einen Schritt zurückgehen und eine Erkenntnis, die es gewonnen hat, auf die niedrigeren und intermedi- 2 psychopraxis. neuropraxis ären Ebenen anwenden, um das Ergebnis am Ende zu verbessern. » KI ist vor allem in Bereichen mit digitalisierten Datensätzen weit verbreitet Wie kommen diese Methoden nun in der Neuroonkologie zur Anwendung? KI ist vor allem in Bereichen mit digitalisierten Datensätzen weit verbreitet, an erster Stelle steht hier die Bildgebung, doch auch die Pathologie wird zunehmend digitalisiert und auch aus elektronischen Patientendatenwerdenzunehmend mittels KI basierter Technologien Analysen durchgeführt. KI und Bildgebung Sei es bei neuroonkologischen Kongressen, allgemein radiologischen oder spezialisierten neuroradiologischen Tagungen – das Schlagwort, unter dem alle neuen KIbasierten Entwicklungen im Bereich der Bildgebung zusammengefasst werden können, nennt sich „radiomics“. Das Suffix „omics“, aus dem Griechischen kommend, Der Radiologe, die Radiologin betrachtet und befundet anschließend anatomische Strukturen, Verläufe von Faserbahnen und erkennt Pathologien und Veränderungen, die das „Gesamtbild“ betreffen. Mittels „radiomics“ werden die einzelnen Voxel im Bild und deren Grauwerte (welcher der Radiologie/die Radiologin mit bloßem Auge gar nicht erkennen könnte) analysiert und die statistische Verteilung der Grauwerte wird mittels unterschiedlicher Berechnungen erfasst (diese umfassen Mittelwert und Median, jedoch auch Texturanalyse und z. B. die Fourier’sche Transformation). Diese großen Datenmengen werden anschließend gebündelt, in Datenbanken eingespeist und es wird versucht, diese bildgebenden Daten mit klinischen Parametern und molekularen Markern in Zusammenhang zu bringen, mit dem Ziel, spezifische „Muster“ zu identifizieren. Hier kommen die eingangs erwähnten math (...truncated)