Eine Forschungsstudie der Harvard University und der Hochschule Stralsund bestätigt die These, individuelle Lebensdauer und Gesundheit mit Hilfe künstlicher Intelligenz bestimmen zu können.
Um einen Verdacht auf Lungenentzündung auszuschließen, wird von behandelnden ÄrztInnen meist eine Röntgenaufnahme des Brustkorbes gemacht. ForscherInnen der Harvard University und der Hochschule Stralsund haben nun untersucht, ob sich die vorhandenen Röntgenaufnahmen auch für die Vorhersage der Langzeit-Sterblichkeit nutzen lassen.
Die WissenschaftlerInnen haben dazu ein künstliches neuronales Netzwerk erschaffen, welches eigenständig die Bilddaten der Röntgenaufnahmen auswertet und die Wahrscheinlichkeit zu versterben bestimmt. Insgesamt wurden über 55.000 Bilder aus zwei großen klinischen Studien ausgewertet, wobei ca. 40.000 Bilder für die Entwicklung des Algorithmus und die restlichen Bilder für die Validierung verwendet wurden. Der finale Algorithmus wurde anschließend dazu genutzt, Risikoklassen zu bestimmen. Der Algorithmus, der ausschließlich auf Grundlage der Bilddaten arbeitet, benötigt weniger als eine halbe Sekunde für eine Klassifizierung. Er kann dazu eingesetzt werden, bereits existierende Röntgenaufnahmen zu geringen bis gar keinen Kosten im Hinblick auf die Sterbewahrscheinlichkeit auszuwerten.
"Unsere Ergebnisse zeigen, dass künstliche Intelligenz dazu eingesetzt werden kann, Informationen über die Lebensdauer sowie die Gesundheit von medizinischen Routine-Aufnahmen zu extrahieren" erklärt Prof. Dr. Thomas Mayrhofer von der Hochschule Stralsund. Im Hinblick auf den Nutzen der Studie für einzelne PatientInnen ist sich Mayrhofer sicher, dass "das Wissen über das individualisierte Sterberisiko dazu genutzt werden kann, informierte Entscheidungen über Präventionsmaßnahmen wie z.B. Lungenkrebs-Screenings zu treffen".
Quelle:
Lu MT, Ivanov A, Mayrhofer T, Hosny A, Aerts HJWL, Hoffmann U.:
“Deep Learning to Assess Long-term Mortality From Chest Radiographs”. JAMA Netw Open. Published online July 19, 2019 2(7):e197416. doi:10.1001/jamanetworkopen.2019.7416