Colitis ulcerosa: Künstliche Intelligenz erkennt Stadium anhand der Koloskopiebilder

Autor: Michael Brendler

Innerhalb von 18 Sekunden kann der Algorithmus das Krankheitsstadium zuordnen. Innerhalb von 18 Sekunden kann der Algorithmus das Krankheitsstadium zuordnen. © spainter_vfx – stock.adobe.com; iStock/PS3000

Künstliche Intelligenz als diagnostisches Hilfsmittel überzeugte u.a. beim Erkennen von Melanomen. In der Gastroenterologie trat sie nun ebenfalls gegen die ärztliche Erfahrung an – und konnte durchaus mithalten.

Bei der Stadieneinteilung der Colitis ulcerosa ist dem menschlichen Urteilsvermögen nur bedingt zu trauen. Und weil koloskopierende Ärzte dazu neigen, die Schwere der Krankheit zu überschätzen, wirft auch immer noch ein weiterer, unabhängiger Experte einen Blick auf die Filmaufnahmen.

Dr. Ryan Stidham vom Michigan Integrated Center for Health Analytics and Medical Prediction der Universität Michigan und Kollegen wollten nun testen, ob auch eine Bilderkennungssoftware prinzipiell als Begutachter taugt. Mit rund 15 000 eingefrorenen Videosequenzen aus dem Darm von etwa 3000 Colitis-ulcerosa-Patienten trainierten sie die künstliche Intelligenz. Circa 1500 weitere Bilder wurden dann verwendet, um den Lernerfolg des Algorithmus zu überprüfen.

Eine Remission stufte der Computer nur bei 13 % der Patienten fälschlicherweise als moderate bis schwere Krankheit ein. Umgekehrt beurteilte er sogar nur 6 % der fortgeschrittenen Stadien irrtümlich als in Remission befindlich. Ging es darum, genauer zu sagen, in welchem der vier nach der Mayo-Klassifikation definierten Krankheitsstadien sich der Patient befand, war die Maschine nicht schlechter als die erfahrenen Ärzte. Für ihre Zweitmeinung brauchte die künstliche Intelligenz dabei im Schnitt nicht mehr als 18 Sekunden.

„Laut unseren Ergebnissen kann ein Deep-Learning-Algorithmus beim endoskopischen Grading einer Colitis ulcerosa mit dem Menschen mithalten“, lautet das Fazit der Autoren. Damit habe die künstliche Intelligenz erneut ihr Potenzial gezeigt, den Menschen bei Evaluationen, die individuell sehr unterschiedlich ausfallen können, zu unterstützen.

Quelle: Stidham RW et al. JAMA Netw Open. 2019; 2:e193963