Neues Lernmodell ergänzt bildbasierte Diagnosealgorithmen sinnvoll

Ankara – Unter Einbeziehung menschlicher Entscheidungskriterien lassen sich durch KI (Künstliche Intelli­genz) generierte Diagnosen in ihrer Treffsicherheit steigern. Das neue Lernmodell (Reinforcement Learning (RL), dt. Verstärkungslernen) konnte mit diesem Input zum Beispiel die Sensitivität der Ergebnisse bei Hautkrebs deutlich verbessern (Nature Medicine, 2023; DOI: 10.1038/s41591-023-02475-5).

„Wenn eine KI nicht nur bildbasierte Merkmale, sondern auch Konsequenzen von Fehldiagnosen in der Ein­schätzung von gutartigen und bösartigen Hauterscheinungen mitberücksichtigt, lässt sich die Treffsicherheit von bildbasierten Diagnosealgorithmen optimieren“, erläuterte Studienleiter Harald Kittler von der Universi­tätsklinik für Dermatologie der MedUni Wien.

In dieser Arbeit wurde das RL am Beispiel von KI-basierten Hautkrebsdiagnosen untersucht und mit einem „supervised learning“ (überwachtes lernen) Modell vergleichen. Die Sensitivität für Melanome wurde mit RL von 61,4 auf 79,5 % (95-%-Konfidenzintervall (95-%-CI) 73.5–85.6 %) und für Basalzellkarzinome von 79,4 auf 87,1 % (95-%-CI 80.3–93.9 %) gesteigert.

Unter Berücksichtigung der RL-Ergebnisse steigerten Dermatologinnen und Dermatologen ihre Rate an kor­rekten Diagnosen um 12,0 %, (95-%-CI 8.8–15.1 %) und verbesserten die Rate optimaler Therapieent­schei­dungen von 57,4 % auf 65,3 % (95-%-CI 61,7–68,9 %).

„Dieser differenziertere KI-Ansatz hat das Potenzial, Behandlern in komplexen medizinischen Szenarien dahingehend zu unterstützen, Erkrankten individuell zugeschnittene Therapieentscheidungen anzubieten“, so das Fazit von Kittler. Die aktuelle Arbeit fokussiere sich zwar auf die Diagnosen im Bereich Hautkrebs, könne aber auch für andere bildbasierte Diagnosealgorithmen eine sinnvolle Ergänzung sein, so die Auffassung von Kittler.

Die Studienautoren, sehen mit der RL-Methode Vorteile zum Beispiel gegenüber Schwellenwert-basierten Algorithmen. Allerdings fehlen noch Praxiserfahrungen zum Outcome mit RL, die auch die Patientenperspek­tive zur Behandlungszufriedenheit mitberücksichtigen sollte. Als eine Einschränkung zu der RL-Methode erwähnen die Studienautoren, dass das Modell im Gegensatz zu Ansätzen mit Schwellenwerten, regelmäßig neu trainiert werden müsste.

cw