Künstliche Intelligenz (KI) wurde als Teil der "vierten industriellen Revolution" zusammen mit dem Internet der Dinge, Blockchain und Edge Computing angekündigt. Bei allen handelt es sich um Methoden zum Sammeln, Analysieren und Speichern von Informationen, die das gleiche lebensverändernde Potenzial besitzen wie die Einführung von Elektrizität zu Beginn des 20. Jahrhunderts. Die bereits begonnene Integration der KI in das Gesundheitswesen wird voraussichtlich die klinische Praxis radikal verändern und die Ärzte vor neue Herausforderungen stellen.
Obwohl viele Ärzte besorgt sind über die möglichen Auswirkungen der KI und darüber, ob sie den Erwartungen des jüngsten Hype gerecht werden kann, scheinen Augenärzte optimistisch über ihre mögliche Rolle in ihrem Beruf zu sein und freuen sich auf eine Zeit, in der ihre Fähigkeiten und ihr Fachwissen erweitert werden durch KI, da es Diagnose und Behandlung rationalisiert und gleichzeitig klinische Fehler und Variabilität reduziert. Viele erwarten, dass die KI es ihnen ermöglicht, mehr Patienten zu einem Zeitpunkt zu sehen, an dem die Zahl der Patienten mit zunehmendem Alter der Bevölkerung weiter steigt [1] und viele Menschen kein angemessenes Augenscreening oder keine Augenpflege erhalten [2] und wenn es einen gibt bestehender Mangel an Augenärzten. [3]
Eine typische Sichtweise der KI ist die von Dr. Rahul Khurana aus der Abteilung für Augenheilkunde der University of California in San Francisco, der damit eine "schöne neue Welt" in der Augenheilkunde einleitet.
Charles Wykoff, MD, PhD, vom Houston Methodist Hospital in Texas, glaubt, dass "das Potenzial der KI enorm ist und eine großartige Gelegenheit bietet, die Effizienz unserer Behandlungen zu verbessern und die Ergebnisse für Patienten zu verbessern."
Gleichzeitig warnt Khurana: "Wenn Sie eine neue Technologie haben, öffnet sie eine Büchse der Pandora, und praktizierende Augenärzte haben Bedenken hinsichtlich der Dinge, über die wir noch nichts wissen."
Diese "Box" wurde kürzlich in den USA mit der behördlichen Genehmigung des ersten autonomen KI-Systems zum Nachweis von diabetischer Retinopathie in den USA geöffnet. [4]
Fortschritte in der diabetischen Retinopathie
Das Screening auf diabetische Retinopathie war aufgrund der zunehmenden Zahl von Menschen mit Diabetes (30, 3 Millionen in den USA im Jahr 2015 mit einer geschätzten Diagnose von 1, 5 Millionen Neuerkrankungen [5]) ein Hauptaugenmerk bei der Entwicklung von KI-Systemen, etwa 29 % von ihnen haben eine diabetische Retinopathie. [6] Die Richtlinien für Diabetes und Augenheilkunde empfehlen, dass Menschen mit Diabetes eine jährliche erweiterte Augenuntersuchung durchführen lassen. [7, 8] Es ist jedoch wahrscheinlich, dass nur 50 bis 65% der Menschen mit Diabetes untersucht werden. [9]
"Dies ist ein großes Problem", sagt Khurana. "Diese Patienten befinden sich in der Grundversorgung, aber viele werden nicht rechtzeitig an einen Augenarzt überwiesen, und wir wissen, dass es zu einem irreversiblen Verlust des Sehvermögens kommen kann, wenn Sie die diabetische Retinopathie nicht frühzeitig behandeln Die Hoffnung ist, dass die KI-Technologie dazu beiträgt, diese Patienten zu identifizieren und unsere Ressourcen effizienter zu nutzen. Das Problem für den vielbeschäftigten Augenarzt ist, dass sie Patienten sehen, die keine Augenprobleme haben, und dass dies keine effiziente Nutzung ihrer Zeit ist. Wenn wir können Identifizieren Sie die Patienten, die wirklich von einem Spezialisten gesehen werden müssen. Dies bedeutet eine effizientere Nutzung unserer begrenzten Ressourcen."
Die neuesten KI-Systeme für diabetische Retinopathie, einschließlich des kürzlich zugelassenen Screening-Tools IDx-DR (IDx, LLC; Coralville, Iowa) [4, 10], umfassen Computersoftwarealgorithmen, die die fortschreitenden Schichten neuronaler Funktionen im menschlichen Kortex simulieren (Faltungs-Neuronale Netze oder CNNs). [11] Ein CNN-Algorithmus kann durch strukturierte Übungen zum Lesen von Patientendaten und medizinischen Bildern (Deep Learning) trainiert werden, um digitale Muster in Farbfundusfotos oder OCT-Scans (Optical Coherence Tomography) zu erkennen, zu identifizieren und zu interpretieren.
IDx-DR
Der IDx-DR-Screening-Algorithmus analysiert digitale Bilder, die mit einer nicht-mydriatischen Netzhautkamera aufgenommen wurden, und diagnostiziert dann das Vorhandensein oder Fehlen einer mehr als milden diabetischen Retinopathie. In einer Validierungsstudie mit 900 Patienten, die die Grundlage für die US-Zulassung bildeten, identifizierte der Algorithmus 87, 4% der Patienten mit der Krankheit (Sensitivität) und 89, 5% der Patienten ohne die Krankheit (Spezifität) korrekt. [4] Ein bemerkenswertes Merkmal der Studie war die Teilnahme von unerfahrenen Bedienern ohne vorherige Erfahrung in der Fundusfotografie, die zuvor nur ein vierstündiges Schulungsprogramm absolviert hatten, was darauf hindeutet, dass das System von Mitarbeitern verwendet werden kann, die normalerweise nicht an der Augenpflege beteiligt sind. [12]
Der erste IDx-DR wurde im Juni in der Diabetes- und Endokrinologieklinik der University of Iowa im Gesundheitswesen in Iowa River Landing eingesetzt. IDx erwartet, dass andere Gesundheitssysteme das System später im Jahr 2018 einführen werden. [13]
Am Horizont
Der Software-Riese Google hat außerdem einen Deep-Learning-Algorithmus zur Erkennung von diabetischer Retinopathie entwickelt, der zunächst auf Fundusfotografie basiert [14] und später um OCT-Bilder erweitert wurde. Der neueste Algorithmus wird in Zusammenarbeit zwischen der Google-Schwesterfirma DeepMind Health und dem Moorfields Eye Hospital in London, Großbritannien, trainiert, um das Fortschreiten der diabetischen Retinopathie und der neovaskulären (feuchten) altersbedingten Makuladegeneration (AMD) zu diagnostizieren und zu bewerten. [15] Der Trainingsdatensatz wurde aus über 1 Million Bildern von Patienten erstellt, die in den letzten 10 Jahren Moorfields für Routine-Scans besucht haben. Der Algorithmus hat "vielversprechende Anzeichen" gezeigt, und die Ergebnisse wurden einem medizinischen Journal vorgelegt. [16] Wenn die Ergebnisse einer Peer Review unterzogen werden, könnte die Technologie laut Dominic King, MBChB, PhD, dem klinischen Leiter von DeepMind, innerhalb weniger Jahre in klinische Studien aufgenommen werden.
Der Augenarzt von Moorfields, Pearse Keane, MD, glaubt, dass der Algorithmus dazu beitragen wird, eine zunehmende Anzahl falsch positiver Überweisungen zu adressieren, die von Krankenhäusern wie Moorfields erhalten wurden. [17] "Zu viele Patienten werden aus den falschen Gründen überwiesen, was zu einer Verstopfung der Kliniken und der daraus resultierenden Unfähigkeit der Ärzte führt, echte Fälle von Sehverlust wie diabetische Retinopathie oder feuchte AMD innerhalb eines angemessenen Zeitrahmens zu behandeln", sagte er sagt.
Künstliche Intelligenz weiter ausbauen
Retinopathie der Frühgeburt
Der Erfolg bei der Verwendung von KI und Deep Learning bei der Diagnose von diabetischer Retinopathie hat die Möglichkeit eröffnet, Deep-Learning-Algorithmen für die Verwendung bei Frühgeborenen-Retinopathie (ROP) zu untersuchen.
Eine große Herausforderung besteht darin, dass die klinische ROP-Diagnose ausschließlich auf dem Auftreten von Netzhautgefäßen bei einer erweiterten ophthalmoskopischen Untersuchung auf der Intensivstation für Neugeborene beruht. Die Entscheidung zur Behandlung basiert hauptsächlich auf dem Vorliegen einer Plus-Krankheit [18], die Diagnose einer Plus-Krankheit ist jedoch sehr subjektiv und variabel. [19] Forscher der Oregon Health & Science University in Portland, Oregon, und des Massachusetts General Hospital in Boston haben einen CNN-basierten Deep-Learning-Algorithmus entwickelt, der für die Diagnose von Pluskrankheiten aus über 5000 Netzhautbildern trainiert wurde. In einem unabhängigen Testsatz von 100 Bildern konnte der Algorithmus den Zustand 91% der Zeit genau diagnostizieren, verglichen mit einem Team von 8 ROP-Experten, die eine Genauigkeitsrate von 82% erreichten. [20]
"Es gibt einen großen Mangel an Augenärzten, die ausgebildet sind und bereit sind, ROP zu diagnostizieren", sagte Michael Chiang, Co-Leiter der Studie. "Mit dem Algorithmus können Ärzte, die wenig Erfahrung mit ROP haben, Babys helfen, eine zeitnahe und genaue Diagnose zu erhalten."
Makuladegeneration und diabetisches Makulaödem
Mehrere Studien haben über eine erfolgreiche Erkennung und Kategorisierung von AMD als frühes oder spätes Stadium mit Deep-Learning-Algorithmen berichtet, die unter Verwendung von Fundusfotos [21] oder OCT-Bildern [22] mit einer Genauigkeit trainiert wurden, die mit der von menschlichen Experten vergleichbar ist.
Kürzlich berichteten Dr. Kang Zhang von der Universität von Kalifornien in San Diego, La Jolla, und Kollegen in den USA, Deutschland und China über die Entwicklung einer KI-Plattform, die diabetisches Makulaödem (DME) und beobachtete choroidale Neovaskularisation diagnostiziert bei neovaskulärer AMD und Empfehlungen zur Überweisung ("dringend" für DME oder AMD, "routinemäßige Überweisung" für Drusen und "nur Beobachtung" für normal). [23] In einem Validierungssatz von 1000 Bildern (633 Patienten) konnte mit einer mit Experten vergleichbaren Genauigkeit diagnostiziert und innerhalb von 30 Sekunden mit einer Genauigkeit von mehr als 95% eine Entscheidung über die Überweisung zur Behandlung getroffen werden.
Screening auf Glaukom und darüber hinaus
Obwohl die Entwicklung der KI beim Glaukom nicht mit dem Fortschritt bei Netzhauterkrankungen übereinstimmt [6], sind kürzlich einige vielversprechende Ergebnisse mit Deep-Learning-Algorithmen bekannt geworden.
Der "heilige Gral" für KI in der Augengesundheit ist ein einzelnes autonomes System, das gleichzeitig auf diabetische Retinopathie, Glaukom und AMD untersuchen kann.
Visulytix, ein Technologieunternehmen in London, hat mit Pegasus eine Netzhaut-KI-Plattform entwickelt, die autonom nach Glaukomen sucht und gleichzeitig das Stadium der diabetischen Retinopathie klassifiziert. Die ersten Ergebnisse einer Studie [24], die in Zusammenarbeit mit der Massachusetts Eye and Ear Infirmary in Boston durchgeführt wurde, waren laut Visulytix "ermutigend". Diese Studie verwendete Bilder von rund 400 Patienten, die eine Glaukomklinik für die Tertiärversorgung besuchten, und legte nahe, dass die Pegasus-Software möglicherweise empfindlicher ist als eine Expertenbewertung. [24] Weitere Studien laufen, sagt das Unternehmen.
Ein Deep-Learning-Algorithmus, der Glaukom mithilfe der Fundusfotografie diagnostiziert, wurde kürzlich von Forschern der Universität Tokio beschrieben. [25] In einem Testdatensatz betrug die Sensitivität bei einer Spezifität von 95, 0% 70, 3%.
Mit IDx wird derzeit ein AI-Algorithmus entwickelt, mit dem eine Reihe von Glaukomindikatoren mithilfe von OCT-Scans erkannt und verfolgt werden können. IDx-G, ein Produkt zur Früherkennung von Glaukomen, wird laut IDx-Präsident Michael Abramoff, MD, PhD, "wahrscheinlich" 2018 in klinische Studien gehen. [26]
Der "heilige Gral" für KI in der Augengesundheit ist ein einzelnes autonomes System, das gleichzeitig auf diabetische Retinopathie, Glaukom und AMD untersuchen kann und sich in Optometriepraxen, Kliniken für Grundversorgung und Apotheken befinden könnte. Der Algorithmus würde Diagnose und personalisierte Behandlungsempfehlungen basierend auf dem Risiko einer Person für das Fortschreiten der Krankheit und Blindheit liefern. Ein Deep-Learning-System, das als "vollautomatisches" Screening-Modell verwendet werden könnte, um zusätzlich zur diabetischen Retinopathie ein überweisbares mögliches Glaukom und eine überweisbare AMD zu erkennen, wurde von Forschern aus Singapur beschrieben. [27] Bei einer Auswertung von fast einer halben Million Bildern aus multiethnischen, bevölkerungsbasierten und klinischen Datensätzen zeigte das Modell eine hohe Sensitivität und Spezifität bei der Identifizierung aller drei Krankheiten. Im Gegensatz zu anderen Modellen wurde es aus einem Screening-Programm entwickelt, das Bilder von verschiedenen Kameras mit schlechter Qualität enthielt.
Weitere Daten und Vorschriften erforderlich
Viele Angehörige der Gesundheitsberufe befürchten, dass KI ohne ausreichende Tests in die klinische Praxis eingeführt werden könnte. [28, 29] Sie weisen auf einen Mangel an veröffentlichten, von Experten geprüften, prospektiven Daten hin, die die neuen Systeme unterstützen. Probleme mit Algorithmen, einschließlich Reproduzierbarkeit und Interpretierbarkeit (Verständnis der "Black Box"), wurden von Software-Ingenieuren angesprochen. KI-Forscher von Google und der University of California, Berkeley, gaben kürzlich bekannt, dass Algorithmen zu einer Form der "Alchemie" geworden sind, wobei Forscher nicht wissen, warum eine funktioniert und eine andere nicht, und sie wiesen auf einen Mangel an "empirischer Genauigkeit" in der Bereich des maschinellen Lernens. [30, 31] Die für Trainingsalgorithmen erforderlichen Datensätze sollten aus qualitativ hochwertigen, gekennzeichneten Daten bestehen. Die Erstellung kann jedoch teuer sein und zu Problemen mit schwacher Kennzeichnung (Kennzeichnung durch Experten) führen, da unter den Experten, die die Standards für die Algorithmusentwicklung bereitstellen, kein Konsens besteht. [32]
Regulierungsstrategien und rechtliche Fragen im Zusammenhang mit KI werden derzeit noch diskutiert. Das IDx-DR-Diagnosesystem wurde von der US-amerikanischen Gesundheitsbehörde FDA (Food and Drug Administration) im Rahmen des "De Novo" -Regulierungsprüfungsweges für neuartige Geräte mit geringem bis mittlerem Risiko bewertet. Das Gerät wurde als "Durchbruchgerät" bezeichnet. "Die FDA kann das Unternehmen bei seiner Entwicklung leiten und die Erstellung von Beweisen und die Überprüfung von Vorschriften beschleunigen.
Im April 2018 kündigte FDA-Kommissar Scott Gottlieb, MD, an, dass die Agentur "einen neuen Ansatz zur Überprüfung der künstlichen Intelligenz implementieren" werde. [33] Hierbei wird der "Pre-Cert" -Ansatz verwendet, mit dem Unternehmen geringfügige Änderungen an Geräten vornehmen können, ohne jedes Mal eine erneute Einreichung vornehmen zu müssen.
Die rechtliche Haftung bei Fehldiagnosen mit KI ist ein weiteres Problem, das noch gelöst werden muss. [34]
Einbeziehung in die klinische Praxis
Der Einsatz von KI im Gesundheitswesen erfordert einen Kulturwandel in der Art und Weise, wie Kliniker und Patienten Maschinen klinische Versorgung anvertrauen. [29] Sowohl Ärzte als auch Patienten müssen einer "Black Box" vertrauen, um einen Krankheitszustand zu bestimmen, aber es gibt immer noch Debatten darüber, ob er jemals von Ärzten oder Patienten vollständig akzeptiert wird. [6, 35] Mit einem besseren Verständnis der Black Box ist es wahrscheinlich, dass Vertrauen aufgebaut wird, aber es besteht auch die Befürchtung, dass Patienten, wenn KI akzeptiert wird, ihr Vertrauen mehr schenken als Ärzte.
Einige Forscher glauben, dass KI das Potenzial hat, das Fachwissen von Ärzten zu erweitern, aber es besteht die Befürchtung, dass dies auch zu einem Verlust des Selbstvertrauens führen und die Bereitschaft eines Arztes beeinträchtigen könnte, eine endgültige Interpretation oder Diagnose zu liefern. Es besteht auch die Sorge, dass eine übermäßige Abhängigkeit von Technologie zu Deskilling führen könnte, über das in anderen Bereichen der Medizin berichtet wurde. [28]
… Es besteht auch die Befürchtung, dass Patienten, wenn KI akzeptiert wird, ihr mehr vertrauen als Ärzte.
KI-Systeme, die nach frühen Krankheiten suchen, werden sich wahrscheinlich auf Grundversorgungspraktiken konzentrieren. Dies wird zwar Zeit für Augenärzte freisetzen, aber zusätzliche Arbeit für Erstversorger schaffen. Wie dies gelöst werden kann, wer für die neuen Geräte bezahlt und wie die Grundversorgungspraktiken erstattet werden, wird diskutiert. Augenärzte scheinen zuversichtlich zu sein, dass sie nicht durch die neue Technologie ersetzt werden, wie dies häufig von anderen Spezialisten vorhergesagt wird. [36] "Ich glaube nicht, dass KI jemals Ärzte ersetzen wird. Wir brauchen immer noch Leute, die diese Anwendungen erklären und ihnen den menschlichen Kontext geben. Menschlicher Kontakt ist das, was Patienten wollen", sagt Khurana.
Dies ist die "klassische Antwort", die von Fachärzten zu erwarten ist, so der Unternehmer und Risikokapitalgeber Vinod Khosla aus Menlo Park, Kalifornien, der 2016 vorausgesagt hat, dass letztendlich rund 80% der Zeit, die Ärzte für Medizin aufwenden, durch "smart" ersetzt wird Hardware, Software und Tests. " [37]
Andere, die der KI-Forschung nahe stehen, wie Dr. Krishna Yeshwant, MBA, Google Ventures und das Brigham and Women's Hospital in Boston, sagen voraus, dass die Welt, insbesondere in der Augenheilkunde, dies letztendlich nicht als Übernahme des maschinellen Lernens, sondern als endgültige Übernahme dieser Bereiche betrachten wird Art, einige der Vorteile der Informatik zu nutzen und effizienter zu werden. " [35]
"KI wird mehr Patienten in das System bringen", sagt Khurana, "und wenn wir die Patienten identifizieren können, die wirklich von einem Spezialisten gesehen werden müssen, ist dies eine effizientere Nutzung unserer begrenzten Ressourcen."
Es bleibt jedoch ein Problem, das die KI nicht beheben kann. Wie Paul P. Lee, MD, JD, von der medizinischen Fakultät der Universität von Michigan und dem WK Kellogg Eye Center in Ann Arbor, kürzlich betonte; [35] Obwohl KI-Programme mehr Menschen untersuchen, gibt es immer noch ein Problem darin, Menschen nach dem Screening in Pflege zu bringen. "Um den Kreis zu schließen, müssen wir das berücksichtigen", betonte er.
Folgen Sie Medscape auf Facebook, Twitter und Instagram.
