Diagnosestellung und Risikostratifizierung von Lebererkrankungen mittels Deep Learning anhand von klinischen Routinedaten (DEEP LIVER)
Ressortforschung im Handlungsfeld „Digitalisierung“, Förderschwerpunkt „Digitale Innovationen“
© Copyright: vectorfusionart/Adobe Stock
Motivation
Zwischen 15% und 25% der Deutschen weisen erhöhte Leberwerte auf–dies gehört zu den häufigsten Befunden in der hausärztlichen Praxis. Allen voran spielt die nichtalkoholische Fettlebererkrankung aus epidemiologischer Sicht eine zunehmend große Rolle. Diese birgt das Risiko einer schweren Erkrankung (bspw. Übergang in eine Leberzirrhose). Lebererkrankungen können lebensbedrohende Auswirkungen haben, sodass neue Wege in der Diagnostik und Therapie beschritten werden müssen. Das Ziel dieses Projektes ist die Nutzung computerbasierter Methoden für eine verbesserte Diagnosestellung von Lebererkrankungen.
Ziele und Vorgehen
Ziel des Projekts „Diagnosestellung und Risikostratifizierung von Lebererkrankungen mittels Deep Learning anhand von klinischen Routinedaten“ (kurz DEEP LIVER) ist eine computerbasierte Methode zur Diagnosestellung zu entwickeln und zu validieren. Bilder von Lebergewebe sowie klinische Daten werden mittels Deep-Learning-Methoden und künstlichen neuronalen Netzen analysiert, um Modelle für die Diagnose abzuleiten. Darauf basierend wird der Prototyp einer Online-Plattform für die dezentrale Bereitstellung von Deep-Learning-Methoden entwickelt und getestet, so dass individuelle Risikovorhersagen verbessert und die Diagnose seltener Erkrankungstypen beschleunigt werden können.
Perspektiven für die Praxis
Mit DEEP LIVER sollen durch die Nutzung von Deep Learning-Methoden und der Integration von Bild- und Routinedaten Vorhersagen zu ungünstigen Verläufen von Lebererkrankungen möglich werden. Ärztinnen und Ärzte sollen darin unterstützt werden, seltene und somit schwer diagnostizierbare Lebererkrankungen zu erkennen. Dadurch kann die Versorgung von Patientinnen und Patienten, wie auch die Diagnose und Prognose von Lebererkrankungen langfristig verbessert werden.
Ergebnisse
Der entwickelte KI-Algorithmus zur Diagnose von Lebererkrankungen und zur Klassifikation von Leber-krebs anhand von Histologiebildern und Ultraschalluntersuchungen konnte angewandt werden und kann Ärztinnen und Ärzten bei der Diagnosestellung unterstützen. Die Wissenschaftlerinnen und Wissenschaftler analysierten Bilder von Lebergewebe sowie klinische Daten mittels Deep-Learning-Methoden und künstlichen neuronalen Netzen, um daraus Modelle für die Diagnose abzuleiten. Da sich die Bilder von Lebergewebe von Person zu Person teilweise stark unterscheiden, gestaltete sich die Entwicklung der KI-Modelle teilweise schwierig. Die Analyse zeigte jedoch, dass eine KI-basierte Abgrenzung zwischen gesundem und tumorösem Gewebe bei Ultraschalluntersuchungen möglich ist und auch, dass eine Klassifikation des Tumorgewebes mittels KI machbar ist. Bei nicht-tumorösen Erkrankungen, wie z. B. der Fettleber, hatten die KI-Modelle jedoch Schwierigkeiten bei der Identifikation von krankem Lebergewebe. Grund hierfür könnten die abweichenden Erscheinungsformen dieser Erkrankung sein, die Symptome und Untersuchungsergebnisse unterscheiden sich bei den jeweiligen Patientinnen und Patienten stark.
Verwertung
Das Projekt DEEP LIVER hat gezeigt, dass Deep Learning eine vielversprechende Technologie zur Diagnose und Risikoeinschätzung von Lebererkrankungen darstellt. Die entwickelten pythonbasierten Pipelines zur KI-basierten Analyse sind öffentlich zugänglich und können auch von anderen Wissenschaftlerinnen und Wissenschaftlern genutzt werden. Im Konsortium selbst werden die entwickelten Pipelines auch bereits für andere, nicht-leberspezifische Modelle, genutzt. Die entwickelte Webplattform steht anderen Ärztinnen und Ärzten als Proof-of-Concept zur Verfügung, indem Bilddaten zur Analyse hochgeladen werden können. Sie bietet das Potenzial, diese Methoden breit verfügbar zu machen und so die Diagnose und Behandlung von Lebererkrankungen zu verbessern. Langfristig könnte die Einführung dieser Technologien in die klinische Praxis die Sicherheit von Patientinnen und Patienten und die Behandlungsergebnisse erheblich verbessern.
Fakten zum Projekt
Projektleitung
Universitätsklinikum Düsseldorf
Prof. Dr. Tom Lüdde
Moorenstraße 5
40225 Düsseldorf
Projektlaufzeit
01.10.2020 bis 31.01.2024
Das Projekt ist Teil des Förderschwerpunkts „Digitale Innovationen für eine patientenzentrierte Gesundheitsversorgung“.
Ansprechperson
Dr. Mario Paterno
DLR Projektträger
projekttraeger-bmg(at)dlr.de
Weitere Informationen
-
Handlungsfeld „Digitalisierung“
Die Digitalisierung des Gesundheitswesens und ihre Auswirkungen u. a. auf die Patientinnen- und Patientenversorgung bietet große Chancen. Hier erfahren Sie mehr zum gesundheitspolitischen Handlungsfeld „Digitalisierung“.
-
Forschungsschwerpunkt „Digitale Innovation“
Die Digitalisierung im Gesundheitswesen kann die Qualität und Wirtschaftlichkeit der deutschen Gesundheitsversorgung stärken und weiterentwickeln. Hier erfahren Sie mehr zum Forschungsschwerpunkt „Digitale Innovation“.
-
Überblick Forschungsschwerpunkte
Das BMG fördert neben Einzelvorhaben insbesondere Forschungsaktivitäten zu übergreifenden Themen. Die Förderschwerpunkte richten sich nach den Handlungsfeldern der Ressortforschung. Hier gelangen Sie zum Überblick.