KI am UKW
Künstliche Intelligenz (KI) wird immer häufiger und in allen Lebensbereichen eingesetzt – auch in der Medizin. Am UKW werden entsprechende Innovationen an vielen Stellen vorangetrieben.

KI am UKW
Künstliche Intelligenz (KI) wird immer häufiger und in allen Lebensbereichen eingesetzt – auch in der Medizin. Am UKW werden entsprechende Innovationen an vielen Stellen vorangetrieben.

In den letzten Jahren wurde deutlich, dass der Einsatz von Künstlicher Intelligenz das Potenzial hat, die Medizin zu revolutionieren. Auch die Würzburger Universitätsmedizin beteiligt sich mit einer Vielzahl an Projekten am Ausloten und Erschließen der durch die Zukunftstechnologie gebotenen, neuen Möglichkeiten. Im Folgenden ein Überblick über einige Anwendungsfelder am UKW. Verhalten und Gehirn besser verstehen Am Zentrum für Psychische Gesundheit (Klinik für Kinder- und Jugendpsychiatrie) nutzen Lorenz Deserno, Professor für Experimentelle Neurowissenschaften in der Entwicklungspsychiatrie, und sein Team KI-Algorithmen, um zu verstehen, wie Kinder und Jugendliche mit und ohne psychische Erkrankungen Entscheidungen treffen und wie sie aus Ereignissen lernen. Dabei kommt das Reinforcement Learning – zu Deutsch Verstärkungslernen – zum Einsatz. Bei dieser fortschrittlichen Methode des Maschinellen Lernens erlernt die Software eigenständig eine Strategie, um eine erhaltene Belohnung zu maximieren. „Diese KI-Algorithmen setzen wir mit Hirndaten der Kinder und Jugendlichen in Verbindung. Da die Algorithmen – anders als viele andere KI-Lösungen – überwiegend biologisch plausibel sind, erhoffen wir uns davon ein besseres Verständnis, wie Verhalten in unserem Gehirn entsteht“, beschreibt Prof. Deserno. Aktuell setzen die Würzburger Wissenschaftlerinnen und Wissenschaftler Reinforcement Learning in einem von der Deutschen Forschungsgesellschaft (DFG) geförderten Projekt ein, bei dem es um die Effekte der Behandlung von jungen Patientinnen und Patienten mit ADHS (Aufmerksamkeitsdefizit-/Hyperaktivitätsstörung) mit Methylphenidat geht. Sie wollen herausfinden, welche Zusammenhänge es zwischen den individuell recht unterschiedlichen Therapieantworten auf den Wirkstoff einerseits sowie dem Belohnungslernen und der kognitiven Leistung andererseits gibt.

Mit KI-Lösungen Entscheidungsvorgänge im Gehirn besser verstehen – das ist eines der Ziele des Teams von Prof. Dr. Lorenz Deserno.
Bewegungseigenschaften von Tremor objektiv erfassen In den Neurowissenschaften können computergestützte Bilderkennungstechnologien helfen, die Genauigkeit der Diagnostik bei Tremor und Dystonie zu verbessern und die Wirksamkeit von Behandlungen zu überwachen. Hierzu forscht die von Prof. Dr. Jens Volkmann geleitete Neurologische Klinik des UKW in enger Kooperation mit Fachleuten aus Mathematik, Physik, Informatik und Ingenieurwissenschaften. „Bisher waren wir bei vielen Therapiebeurteilungen auf schlecht quantifizierbare Skalen angewiesen, die den subjektiven Eindruck erfahrener Neurologinnen und Neurologen widerspiegelten. Wir brauchen aber für die Behandlungsplanung wie auch für klinische Studien objektiv messbare Merkmale oder Biomarker“, sagt Prof. Volkmann. Beispielsweise beim Tremor. Das unwillkürliche Zittern von Körperteilen wie Händen, Beinen, Kopf oder Rumpf ist eines der häufigsten Symptome verschiedener neurologischer Erkrankungen. Der jeweilige Behandlungserfolg hängt von der genauen Charakterisierung der Bewegungseigenschaften des Tremors ab. Laut Prof. Dr. Martin Reich, Leitender Oberarzt in der Neurologie am UKW, sind bisherige Methoden sehr aufwändig und wenig praktikabel, außerdem oft nicht detailliert genug und nicht standardisierbar. Mit einer Software, die eigentlich für Gesichtserkennung und Mimikanalyse in der Unterhaltungselektronik entwickelt wurde, ist es möglich, Bewegungen im dreidimensionalen Raum einzuordnen und mittels eines Beschleunigungssensors die Frequenz des Zitterns zu messen“, erläutert der Mathematiker Robert Peach, der die Würzburger Neurologie seit vier Jahren mit seiner Expertise in der Verarbeitung hochkomplexer Datensätze verstärkt. Digitale Biomarker für Dystonie Auch bei der Bewertung der Dystonie kann die Digitalisierung helfen. Die Bewegungsstörung ist durch unwillkürliche Muskelkontraktionen gekennzeichnet. Um die komplexen raum-zeitlichen Eigenschaften dystoner Phänomene besser zu verstehen und die Behandlung zu optimieren, verfolgt das Team der Neurologischen Klinik einen neuen Ansatz mit visuell-perzeptiven Deep-Learning-Algorithmen. Mittels mehrschichtiger neuronaler Netze können aus Videos Muster und Merkmale erkannt und deren Dynamik als Funktion der Zeit gemessen werden. Das Team nennt diese Informationen „Digitale Biomarker“. „Dieser neue Rahmen für Maschinelles Lernen ebnet den Weg für zahlreiche wissenschaftliche Studien“, kündigt Prof. Dr. Chi Wang Ip, der Stellvertretende Direktor der Neurologischen Klinik, an. Nach seinen Angaben ist geplant, das Tool in eine App für Smartphones und Tablets einzubinden. Neben dem Ermitteln der Art und des Schweregrads der Dystonie ist so auch ein Monitoring möglich. Dabei nehmen sich die Betroffenen selber auf oder die Behandelnden erstellen das Video. Der Algorithmus evaluiert im Hintergrund das Video und liefert objektive Werte, aus denen medizinische Schlüsse gezogen werden können.


Das Team der Neurologischen Klinik arbeitet mit Software zur automatisierten Erkennung von markanten Punkten an Hand und Kopf, um krankhafte Bewegungsstörungen besser zu diagnostizieren und zu therapieren.


Das Team der Neurologischen Klinik arbeitet mit Software zur automatisierten Erkennung von markanten Punkten an Hand und Kopf, um krankhafte Bewegungsstörungen besser zu diagnostizieren und zu therapieren.
MRT-Aufnahmen beschleunigen Die Untersuchungszeit bei der Magnetresonanztomographie (MRT) verkürzen – das ist eines der zentralen Ziele der von Prof. Dr. Tobias Wech geleiteten Forschungs-AG „Deep-Learning-basierte MRT“ am Institut für Diagnostische und Interventionelle Radiologie des UKW. „Dazu nehmen wir lediglich ein absolutes Minimum an MRT-Daten auf, die wir dann mittels KI in eine qualitativ hochwertige medizinische Aufnahme überführen“, erläutert der Juniorprofessor für Experimentelle Radiologie am UKW. Mit dieser Lösung soll es zum Beispiel möglich werden, die Dynamik des Herzens in nur einer Minute und bei freier Atmung der Patientin oder des Patienten zu erfassen. Im Vergleich dazu dauert die bisherige Standardmethode mehr als zehn Minuten und die untersuchte Person muss zehn bis 15 Mal den Atem für etwa zehn Sekunden anhalten. Bei einem weiteren Projekt der AG geht es um die Darstellung des Zustands von Knochen. „In der klinischen Praxis werden hierzu typischerweise Röntgenverfahren eingesetzt, was jedoch mit einer Strahlenbelastung der Patientinnen und Patienten verbunden ist“, verdeutlicht Prof. Wech. Nach seinen Worten ermöglichen spezialisierte Aufnahmeverfahren auch eine „strahlenfreie“ Darstellung mittels MRT, sind jedoch bisher mit einer zu langen Untersuchungszeit verbunden. „Mittels KI wollen wir diese Aufnahmen soweit beschleunigen, dass sie in den Bereich einer klinischen Anwendung kommen“, so der Physiker. Beide Ansätze befinden sich in der Phase eines „Proof-of-Concept“ und werden aktuell in klinischen Studien evaluiert. Von Radiomics bis Large Language Models Ebenfalls am Institut für Diagnostische und Interventionelle Radiologie verfolgt auch die Arbeitsgruppe von Prof. Dr. Bettina Baeßler eine ganze Reihe von Vorhaben mit KI-Beteiligung. Die Professorin für Klinische Radiologie (Künstliche Intelligenz in der Bildgebung) nennt drei Beispiele. Bei dem von der DFG geförderten Projekt „DEEP-LN“ kooperiert ihr Team mit der Uniklinik Köln. „Das Ziel dabei ist, die automatische Detektion und Klassifizierung von Lymphknotenmetastasen bei verschiedenen onkologischen Erkrankungen zu etablieren“, beschreibt Prof. Baeßler. Dazu kommen Methoden wie Deep Learning und Radiomics zum Einsatz. Hinter Radiomics steht die Idee, aus radiologischen Bildern quantitative und mehrdimensionale Informationen zu gewinnen. Dazu sind Big-Data-Analysen erforderlich. Bei einem weiteren, mit der Abkürzung „SWAG“ versehenen Projekt, geht es um „SchWArmlernen und Generative Modelle zur Synthese und Nutzbarmachung hochqualitativer Daten in der Krebsmedizin.“ Zusammen mit einem nationalen Konsortium und gefördert vom Bundesforschungsministerium (BMBF) wollen Prof. Baeßler und ihre AG hierbei aktuelle Hürden beim Datenschutz von Gesundheitsdaten überwinden, indem hochqualitative synthetische Bildgebungsdaten mittels topmodernen KI-Verfahren produziert werden. Beim dritten Beispielprojekt kommen neuartige Sprachmodelle – sogenannte Large Language Models, abgekürzt LLM – zum Einsatz, um die gängigen von Ärztinnen und Ärzten verfassten Texte in radiologischen Befunden automatisiert in eine strukturierte und damit besser lesbare Form zu verwandeln. „All diesen Projekten gemeinsam ist der Open-Source-Gedanke. Das heißt, die entstehenden Modelle sollen offen verfügbar und der Allgemeinheit zur Nachnutzung bereitgestellt werden“, sagt Prof. Baeßler.

MRT-Aufnahmen des Herzens: Die konventionelle Aufnahme wurde aus einem vollständig gemessenen Datensatz (symbolisiert durch schwarze und rote Zahlen) erstellt und ist daher zeitaufwändig. Wird lediglich ein reduzierter Datensatz (rot) aufgenommen, beschleunigt das zwar die Aufnahme, die medizinischen Bilder sind aber bei einer herkömmlichen Rekonstruktion für die Diagnostik unbrauchbar. Entsprechend trainierte neuronale Netze können jedoch auch die Information aus der deutlich kürzeren Untersuchung (rot) in ein qualitativ hochwertiges Bild transformieren.
Bilder von Plaques und Wunden auswerten Die Würzburger Universitäts-Hautklinik forscht daran, wie KI bei der Diagnostik und Verlaufsdokumentation von chronischen Hauterkrankungen helfen kann. In klinikum & wir 1/2024 wurde in diesem Zusammenhang bereits das Verbundprojekt HybridVITA vorgestellt. Hierbei haben Patientinnen und Patienten mit Schuppenflechte (Psoriasis) unter anderem die Möglichkeit, ihre Erkrankung regelmäßig über eine neu entwickelte App zu dokumentieren, indem sie die Psoriasis-Plaques fotografieren und hochladen. Eine KI wertet die Bilder aus und quantifiziert die Durchblutung und Beschaffenheit der Hautveränderungen. „So können die Behandelnden bei einer Verschlechterung schnell die notwendigen Therapien einleiten“, schildert Prof. Dr. Astrid Schmieder. Die Psoriasis-Expertin des UKW ist einer der Köpfe hinter HybridVITA. Das innovative System wird seit Februar dieses Jahres an den Hautkliniken der Universitätsmedizin Mannheim und des UKW in einer Machbarkeitsstudie erprobt. In Teilen ähnlich strukturiert ist die derzeit an der Hautklinik des UKW zudem durchgeführte WUNDERKINT-Studie. Hier werden von chronischen Wunden betroffene Probandinnen und Probanden mit einer App ausgestattet, um mit dieser eine regelmäßige Wunddokumentation durchzuführen. Anhand von Fotos erfolgt eine KI-unterstützte Erkennung, Segmentierung und Evaluation der Wunde hinsichtlich Größe und Rötung. „Die Patientinnen und Patienten erhalten eine Rückmeldung bezüglich des aktuellen Wundstatus. Bei einer Verschlechterung werden die Behandelnden automatisch informiert“, umreißt Prof. Schmieder. Eine besondere Herausforderung stellt dabei nach ihren Worten die Bildaufnahme in einer unkontrollierten Heimumgebung mit unterschiedlichen Nutzer-Endgeräten dar. Daher werde auch eine adäquate Vorverarbeitung der Bilder für deren Verwendbarkeit in Kombination mit KI-Modellen entwickelt.
KI-basierte Darmkrebsfrüherkennung Bei der Darmkrebsvorsoge mittels Dickdarmspiegelung werden durch die Untersuchenden Krebsvorstufen erkannt und können in der gleichen Sitzung entfernt werden. In diesem Bereich forscht Prof. Dr. Alexander Hann von der Medizinischen Klinik II des UKW mit seiner Arbeitsgruppe „Interventionelle und Experimentelle Endoskopie (InExEn)“ an der Unterstützung der Ärztinnen und Ärzte durch den Einsatz von in Echtzeit arbeitenden KI-Systemen. „Diese Systeme beurteilen im Rahmen von klinischen Studien das Endoskopiebild und heben Krebsvorstufen mittels farbiger Boxen hervor“, beschreibt Hann, der eine Professur für digitale Transformation in der Gastroenterologie inne hat. Das aus Fachleuten aus Medizin, Informatik und Ingenieurswissenschaften gebildete InExEn-Team macht sich dabei zu Nutze, dass KIs insbesondere Bilder sehr rasch verarbeiten und interpretieren können. Mittlerweile wurde ein solches, von der Arbeitsgruppe entwickeltes System in einer randomisierten, multizentrischen Studie getestet und die KI im Anschluss für die Wissenschaft und den Einsatz in klinischen Studien frei zur Verfügung gestellt. Hilfe bei der Qualitätssicherung In einem weiteren Forschungsprojekt konnte die InExEn-AG zeigen, dass KI die Ärzteschaft auch bei der Qualitätssicherung und Dokumentationen entlasten kann. Sie kreierten ein System, das bei der Dickdarmspiegelung im Hintergrund automatisch wesentliche Merkmale der Untersuchung dokumentiert. „Wir konnten nachweisen, dass damit Qualitätsparameter genauer bestimmt werden konnten, als von den Untersuchenden in den partizipierenden Studien-Zentren“, berichtet Prof. Hann. Ein weiterer Vorteil ist es nach seinen Worten, dass die Künstliche Intelligenz in der Lage ist, durch ihre in Echtzeit stattfindende Dokumentation bereits Teile des medizinischen Berichts zu schreiben und somit den Mitarbeitenden wertvolle Zeit für den Patientenkontakt verschafft.

Das KI-System markiert die bei einer Dickdarmspiegelung von ihm selbsttätig erkannten, potenziellen Krebsvorstufen für die Untersucherin oder den Untersucher mit einer farbigen Umrandung.
Arbeitsgruppe Medizininformatik und KI-Methoden Die von Prof. Dr. Rüdiger Pryss geleitete Arbeitsgruppe Medizininformatik des Instituts für Klinische Epidemiologie und Biometrie der Uni Würzburg und des Instituts für Medizinische Datenwissenschaften des UKW nutzt KI unter anderem für die Identifikation versteckter Patientengruppen, das Erkennen der Rückkehr von Probanden nach vorübergehendem Verlassen einer digitalen Smartphone-Anwendung oder die Abbildung klinischer Tests via Smartphone. „Die Nutzung von Patient-reported Outcomes und Methoden wie Maschinellem Lernen oder Process Mining sind für uns zentrale Werkzeuge, um aus Alltagsdaten neue Erkenntnisse zu gewinnen“, unterstreicht Prof. Pryss. Die AG erforscht nach seinen Worten zudem Methoden für Just-in-time-Interventionen. Hierbei werden KI-Modelle darauf trainiert, aus Studiendaten maßgeschneiderte Maßnahmen abzuleiten. Beispielsweise können Krebspatientinnen und -patienten per Smartphone überwacht werden: Erkennt das Programm Stimmungstiefs, werden sofort Interventionen angeboten. Die KI lernt aus den Interventions-ergebnissen, passt zukünftige Maßnahmen individuell an und optimiert so kontinuierlich die Patientenbetreuung. KI in der Lehre eit 2023 bietet die Medizinische Fakultät der Uni Würzburg für das 6. Semester einen Kurs zur Digitalisierung in der Medizin an. In Vorlesungen und Seminaren vermitteln Dozierende aus Medizin und Informatik grundlegende Informationen zur Digitalisierung – auch zur Künstlichen Intelligenz. Viele Lehrstühle der Medizin- und Informatikfakultät lehren hier ihre erforschten und praktizierten KI-Themen. Geleitet wird der Kurs von der Arbeitsgruppe Medizininformatik. Zudem unterstützt Prof. Dr. Sarah König die Veranstaltung aktiv. Die Studiendekanin war mit ihrem Team maßgeblich an deren Etablierung beteiligt. „In den ersten zwei Semestern seit der Einführung bekamen wir sehr viel positive Resonanz, so dass wir überzeugt sind, dass es uns auf diesem Weg gelingt, KI-Themen bereits in der medizinische Ausbildung zu positionieren“, kommentiert Prof. Pryss.
Bei der interdisziplinären Arbeitsgruppe Digitale Medizin mitmachen
In der im März 2024 gegründeten interdisziplinären AG Digitale Medizin (iAGDM) vernetzen sich verschiedene Abteilungen des UKW und Uni Würzburg, um Synergien zu nutzen und die Digitalisierung in der medizinischen Forschung, Lehre und Behandlung weiter voranzutreiben. Zu den regelmäßigen Treffen werden zum einen externe Referentinnen und Referenten eingeladen. Zum anderen stellen die Teilnehmenden ihre Projekte vor. Weiterhin beteiligt sich die iAGDM mit Seminaren und Lehrbeiträgen am Medizinstudium. Interessierte Mitarbeitende des UKW und der Uni Würzburg, die sich mit Digitalisierung und Patientenversorgung beschäftigen, sind herzlich eingeladen, an den Treffen der Arbeitsgruppe teilzunehmen. Kontakt und Info:
E-Mail: digital@ukw.de, www.ukw.de/digitalemedizin
Start in eine neue Serie
Dieses Top-Thema kann nur eigene wenige Beispiele aus dem weiten Feld „KI am UKW“ aufgreifen. Es ist jedoch der Auftakt zu einer neuen Artikel-Serie: In jeder zukünftigen Ausgabe von klinikum & wir sollen weitere Aspekte beleuchtet werden.

Glossar
Zusammenhänge Machine Learning, Deep-Learning und neuronale Netze sind konzentrische Teilmengen von Künstlicher Intelligenz. KI ist das übergeordnete Element. Die erste Teilmenge umfasst Maschinelles Lernen. Darin enthalten ist Deep Learning und wiederum darin befinden sich die neuronalen Netze. Machine Learning Der Schwerpunkt von Machine Learning oder Maschinellem Lernen liegt auf dem Trainieren von Computern, um aus Daten und Erfahrungen zu lernen und sich stets zu verbessern – anstatt explizit dafür programmiert zu werden. Dabei werden Algorithmen darauf trainiert, Muster und Korrelationen in großen Datensätzen zu finden und auf Basis dieser Analyse die besten Entscheidungen und Vorhersagen zu treffen. Deep Learning Deep Learning verwendet zur Analyse großer Datensätze neuronale Netze. Die beim „Tiefen Lernen“ angewandte Funktionsweise agiert ähnlich wie das menschliche Gehirn. Dabei werden Daten zuerst extrahiert, anschließend analysiert, um im Anschluss eine Schlussfolgerung oder eine Prognose zu erstellen. Deep Learning wird hauptsächlich zum Erkennen von Bildern, dem Verständnis von Texten oder zur besseren Entscheidungsfindung genutzt. Als Hauptunterschied zum Machine Learning ist Deep Learning in der Lage, unstrukturierte Informationen wie Texte, Bilder, Töne und Videos in numerische Werte umzuwandeln. Diese extrahierten Informationen werden dann zur Mustererkennung oder zum weiteren Lernen verwendet. Neuronales Netz Ein neuronales Netz ist ein Programm oder Modell für Maschinelles Lernen, das Entscheidungen auf ähnliche Weise wie das menschliche Gehirn trifft. Es verwendet Prozesse, die die Art und Weise nachahmen, wie biologische Neuronen zusammenarbeiten, um Phänomene zu identifizieren, Optionen abzuwägen und Schlussfolgerungen zu ziehen. Eines der bekanntesten Beispiele für ein neuronales Netz ist der Suchalgorithmus von Google.
Bild: pathdoc - stock.adobe.com und Ziyan- stock.adobe.com | Illustrationen: nadia_snopek - stock.adobe.com