AI in der Pathologie

02-08-2024
02-08-2024 sergbini

AI in der Pathologie 

 

AI ist in vielen Branchen bereits ein großes Thema und ist jetzt schon eine der zukunftsweisendsten Technologien des 21. Jahrhunderts geworden. So sind unsere selbstlernenden neuronalen Netzwerke als Assistenzsystem in der Diagnostik auf dem Vormarsch und bieten viele neue Wege um die Arbeit der biomedizinischen Forscher, Pathologen und Pathologinnen deutlich effizienter zu gestalten. Der Einsatz von AI in der Pathologie oder in einem biomedizinischen Labor ist somit ein äußerst wichtiges Schlüsselglied im Erreichen von noch schnelleren und akkurateren Forschungsergebnissen und Diagnosen. Das diese Entwicklung unausweichlich ist zeigt auch das Interesse von Technologiegiganten wie Google mit ihrem DeepMind Health Projekt an der Entwicklung von Diagnoseassistenzsystemen. Doch der Markt von AI-Systemen weist sehr viele Probleme auf. Denn die längst bestehenden Firmen setzen immer noch auf eine Lösung im großen Stil, sprich einer Verallgemeinerung der Anforderungen und somit ein Verlust an Personalisierbarkeit, Wissen und vor allem an der Qualität einer spezifischen Analyse mit dem Ziel  einer darauffolgenden Diagnose. Leider erlauben es die technischen Limitierungen der KI nicht die gewünschte Skalierbarkeit auf diverse Anwendungsfälle zu erreichen. Doch falls diese Skalierung nicht erreicht wird, ist das Geschäft für die Firmen nicht rentabel, da sie kostenintensive Infrastruktur zu tragen haben. Außerdem implementieren die Softwareentwickler dieser Firmen ihre AI erst jetzt in ihre schon vorhandene Software. Deshalb wird das Potential, welches neuronale Netze bieten, nicht völlig ausgeschöpft, denn die Grundstruktur der bereits vorhandenen Diagnoseassistenten und Analysesoftware ist nicht auf den Einsatz von AI-Systemen abgestimmt und spezialisiert. Doch diese Spezialisierung ist notwendig um die Software individuell auf die einzelnen Bedürfnisse der Forscher und Forscherinnen, der Pathologen und Pathologinnen anzupassen. Zudem verfügen diese Marktführer nicht über die benötigte Expertise in AI-Techniken und sind somit stark in ihrer Adaptivität an den individuellen Fortschritt einzelner Institute und Praxen eingeschränkt.  

Wer aber noch stärkere Probleme für eine optimale Integration der KI-Systeme in der Pathologie liefert, sind es tatsächlich die Pathologen und Pathologinnen selbst! Wie vor fünf bis sechs Jahren so auch heute programmieren Pathologen eigenständig Deep-Learning-Netze bzw. lassen ihre Postdocs oder sogar Doktoranden an die Erstellung der Deep-Learning-Modelle ran. Dieses Handeln bezeichne ich als äußerst fahrlässig. Denn die Ergebnisse aus dieser Arbeit erblicken die Welt und werden kommuniziert. Programmieren kann man diesen Prozess nicht nennen, eher downloaden, etwas miteinander kombinieren, kompilieren und schauen was da so in etwa rauskommt. Immer wieder das gleiche, immer wieder U-Net, mal was Moderneres aber das war es dann auch schon. Keiner dieser Experten konnte mir eine aussagekräftige Antwort geben auf die Frage worauf die Fehlerwahrscheinlichkeit zurück zu führen ist. Woher soll man das auch wissen, wenn man die neuronalen Netze einfach zusammen „geklick“ hat? 

Ähnliches Verhalten in Bezug auf Deep-Learning-Modelle muss ich auch bei der Open-Source-Software QuPath, Orbit, Omero und Co. feststellen. Open-Source und kostenfrei, dafür starke Limitierungen, wenn man sich als User endlich tiefer ins Detail eingearbeitet hat, viel Zeit investiert hat und trotzdem nicht exakt die gewünschten und notwendigen Analysen erhält.  

Meine Arbeit der letzten Jahre bestand in der Pathologie darin zu erklären, dass die Fehler die AI liefert, ihren Ursprung nicht in der Tiefe der AI Architektur haben, sondern darin, dass die eigentlichen AI-Experten aus diesem Prozess aus wissenschaftlich-politischen Gründen rausgehalten werden und sich immer wieder Halbwissen über die AI-Modelle durchsetzt und publiziert wird. Es ist nicht die Deep-Learning-Metrik über die 96%ige Genauigkeit entscheidend, zumal diese Metriken nach Belieben manipuliert werden können, sondern die Kontrolle der Anwendung von neuronalen Netzen. 

Um das Vertrauen in die KI unter den Ärzten zu etablieren, ist die Interdisziplinarität und Zusammenarbeit mit einem höchsten fachlichen Anspruch gefragt! So können Chancen aber auch Grenzen von KI als ein Tool in der Pathologie gezeigt werden. Mein Ziel als Wissenschaftler ist es, die Pathologen und Pathologinnen auf bundesweiter Ebene mit einem fundierten Wissen im Bereich KI zu unterstützen und ihnen die Möglichkeit darzulegen, die besten Ergebnisse weltweit zu generieren. Die Zusammenarbeit mit mir hat gegenüber der reinen Akademie den Vorteil, dass ich auch als Unternehmer aktiv bin und für die Erzeugnisse Gewährleistung garantiere. Entscheidend ist, dass HS Analysis nicht aus Dritt-Mitteln lebt, sondern aus raschen Ergebnissen verschiedener Produkte mit dem höchsten Qualitätsniveau. 

Durch die bereits eingesetzten AI-Systeme gibt es sehr gute Ergebnisse. Paige, Proscia, PathXL, Aiforia, Ibex und Deepathology sind nennenswerte Beispiele. Einige dieser Firmen vergessen jedoch die Realität der Pathologie und bieten Ihre Dienste über die Cloud an. Wer von Ihnen teilt seine Daten heutzutage in der Cloud? Doch viel wichtiger für mich ist die Tatsache, dass jede dieser Firmen in starker Abhängigkeit von einem der großen Player auf dem Markt, sei das Roche oder Philips, steht. Dies kann einige Vorteile mit sich bringen, kann aber auch den Prozess der eigentlichen Integration der KI-Tools in der Pathologie stark verlangsamen. Alle arbeiten mit denselben Technologien (Standard CNNs, Active Learning, alle User freundlich…) Keiner dieser Firmen hat ihren Hauptsitz in Deutschland, nur eine Firma hat den Hauptsitz in der Europäischen Union. Wie ich finde sollte bundesweite Forschung es sich jedoch zum Ziel setzen, das regionale Knowhow mindestens auf ein konkurrenzfähiges Niveau auf dem Weltmarkt zu bringen. Es gibt auch bereits AI-Firmen aus der Bundesrepublik, die den Einsatz von AI in der Pathologie liefern, so wie MindPeak. Fremdkapital, das das Unternehmen aufgenommen hat, könnte aber langfristig noch zu einem Verhängnis werden. So ist MindPeak zwar in der Lage ein gutes Produkt zu entwickeln, doch in der Weiterarbeit an diesem könnten sie scheitern, da sie nicht Umsatzstark genug sind um nach einem Ausschöpfen der Investition noch Energie in die Weiterentwicklung der bereits entwickelten Diagnoseassistenzsysteme zu stecken, denn es ist schwer noch ein weiteres neues System für die Bildanalyse in der Pathologie zu verkaufen. So gehen viel Wissen und die Arbeit zahlreicher Programmierer*innen, Pathologen und Pathologinnen verloren. Solch eine Entwicklung haben wir bereits am Beispiel von MicroDimensions erleben dürfen. So hat vielleicht auch einer der Leser*innen in dieses Projekt investiert, doch das Scheitern des Ertragsmodells führte zu einer Insolvenz und zum Verlorengehen von bedeutender praktischer Erfahrung.  

Um viele dieser Probleme zu umgehen oder zu lösen, fokussieren wir uns stark auf die Pathologie, um so das notwendige Spezialwissen aus der Bild-, Sprach-, Text- und Molekularverarbeitung der medizinischen Daten aufzuweisen. HS Analysis ist ganz ohne Fremdkapital am Markt stabil und hat keine Abhängigkeit von einem „großen Unternehmen“, da es hier einige Projekte mit unterschiedlichen Playern gibt. AI-Systeme sollten von Grund auf an die Anforderungen angepasst werden, die eine zukunftssichere und weiterentwickelbare AI Struktur mit sich bringt. So setzten wir nicht wie Visiopharm, Definiens oder Indica Labs mit HALO auf eine „Dranbastellösung“, sondern auf eine konsequente Lösung, die nicht nur eine Analyse, sondern viel mehr ein mehrdimensionales Datenmanagementtool ist. Daraus ergibt sich unser Ziel: Weltweiter Einfluss aus Deutschland in der medizinischen Forschung und Diagnostik mit dem Wissen von renommierten Pathologen und dem Knowhow von Informatikern aus der europäischen AI-Metropole Karlsruhe.