Abbildungsverzeichnis
Abkürzungsverzeichnis
1 Einleitung
1.1 Aufbau der Arbeit
2 COVID-19
2.1 Computertomographie
2.2 Probleme der Computertomographie bei der Diagnose
3 Künstliche Intelligenzen
3.1 Bildklassifizierung
3.2 Künstliche Intelligenzen in der Medizin
4 Diagnose von COVID-19 mittels Künstlicher Intelligenz
4.1 Unterscheidung COVID-19 positiv und negativ
4.2 Unterscheidung von COVID-19 und anderen Lungenkrankheiten
4.3 Prognose des Schweregrades von COVID-19
4.4 Bewertungsmaßstäbe
4.5 Zugänglichkeit zu Datensätzen
5 Zusammenfassung und Ausblick
Literaturverzeichnis
Abbildung 1: Flussdiagramm der Studie zur Korrelation von CT Scans und RT-PCR Tests
Abbildung 2: CT Scans von drei COVID-19 Patienten
Abbildung 3: Ein Künstliches Neuronales Netz ohne Gewichte
Abbildung 4: Aufbau des DeCoVNet
Abbildung 5: Illustration des Analysemodells
Abbildung 6: Flussdiagramm eines CT Analyse Prozesses
CAP Community Acquired Pneumonia
CT Scans Computertomographie-Aufnahmen
KI Künstliche Intelligenz
KNN Künstliches Neuronales Netz
MRT Magnetresonanztomographie
ROI Region of Interest
RT-PCR Reverse Transcription Polymerase Chain Reaction
Die Verwendung von Künstlichen Intelligenzen (KI) fand in der Medizin schon häufiger Verwendung. Beispielsweise werden bei der Diagnose von Lungenkrankheiten Methoden der KI eingesetzt um frühzeitig, anhand von Röntgenbild- oder Computertomographie-Aufnahmen (CT Scans), Veränderungen im Brustkorb zu erkennen (Qin et al. 2018). Diese Technologie wird auch in der aktuellen Corona-Krise, zur Erkennung von SARS-CoV-2 ausgelösten COVID-19 Pneumonien eingesetzt. Mit derweil über 4,7 Millionen bestätigten Fällen und über 300.000 Toten wurde die Krankheit durch die World Health Organization als Pandemie eingestuft (WHO, 20. Mai 2020). Die frühzeitige Erkennung des Virus macht eine zeitnahe Behandlung möglich und hilft, die weitere Ausbreitung von COVID-19 einzudämmen (Jin et al. 2020). Studien aus China haben gezeigt, dass CT Scans von Corona Patienten Anomalien aufweisen, die es möglich machen, die Krankheit zu bestimmen (Guan et al. 2020). Die Analyse solcher Aufnahmen bleibt aber selbst für geübte Radiologen zeitaufwendig und ist nicht immer zuverlässig (Weinstock et al. 2020), weshalb die Methoden der KI einen potenten Lösungsansatz für eine schnelle Diagnose darstellen. Künstliche Neuronale Netze, die am Vorbild der Strukturen im menschlichen Gehirn geschaffen sind (Lämmel & Cleve 2020), können nach Bullock et al. (2020) eine zeitsparende, zuverlässigere und günstigere Diagnose als andere verwendete Methoden für die Erkennung von COVID-19 darstellen (Bullock et al. 2020). Aufgrund der hochansteckenden Natur des Virus stellt die übliche Reverse Transcription Polymerase Chain Reaction (RT-PCR), die zur Bestätigung einer COVID-19 Diagnose genutzt wird, wegen ihrer geringen Empfindlichkeit ein Problem dar. Die Zugänglichkeit zu CT Scans und deren hohe Empfindlichkeit bringen große Vorteile für die frühzeitige Behandlung und Isolierung von positiv getesteten Patienten (Ai et al. 2020). Auch ein MRT oder eine Sonographie kann dazu genutzt werden, diagnostische Bilder der Lunge zu erstellen, die anhand von KIs als Lungenkrankheiten analysiert werden können. Außerdem könnten solche Algorithmen auch zur Prognose des Krankheitsverlaufs von Patienten dienen, um diese in Risikogruppen zu kategorisieren. Dies würde die Entscheidung, welcher Patient sofortige medizinische Versorgung benötigt, stark erleichtern (Yan et al. 2020). Die Aussicht auf die Breite der Anwendungsmöglichkeiten solcher Technologien verdeutlicht die Notwendigkeit weiterer intensiver Forschung und internationaler Zusammenarbeit, um nicht nur die gegenwärtige Krise zu bewältigen, sondern auch auf zukünftige Krisen besser vorbereitet zu sein.
Das Ziel dieser Arbeit ist es, einen Überblick über die Literatur zum aktuellen Stand der Forschung zu geben, die Analyse von CT Scans durch KIs bei der Erkennung von COVID-19 zu erläutern, und deren Funktionsweise herauszuarbeiten und kritisch zu würdigen.
Zu Beginn werden elementare Begrifflichkeiten wie COVID-19, Computertomographie und Künstliche Intelligenz erläutert, um einen Einblick in das Themengebiet zu ermöglichen. Außerdem werden die Probleme der Computertomographie bei der Diagnose von COVID-19 erläutert und eine Einführung in den Aufbau von Künstlichen Neuronal Netzen bei der Bildklassifizierung gegeben. Des Weiteren wird ein allgemeiner Überblick auf die aktuelle Verwendung von KIs in der Medizin ermöglicht. Daraufhin werden die Möglichkeiten von KIs bei der Diagnose von COVID-19 aufgezeigt und der aktuelle Stand der Forschung bei der Analyse von Computertomographie durch Künstliche Intelligenzen dargelegt sowie mögliche Limitationen erörtert.
Abschließend werden die gesammelten Ergebnisse zusammengefasst und ein Ausblick auf die Chancen gegeben, die sich durch die weitere Forschung auf dem Gebiet der KIs zur Bekämpfung der aktuellen Pandemie ergeben.
Im Dezember 2019 wurden mehrere Fälle von Pneumonie, die durch ein neuartiges Coronavirus ausgelöst worden waren in der chinesischen Metropole Wuhan gemeldet. Das Virus wird durch die Weltgesundheitsorganisation als SARS-CoV-2 (engl.: severe acute respiratory syndrome coronavirus 2) bezeichnet und die dadurch ausgelöste Krankheit wird COVID-19 (engl.: corona virus disease 2019) genannt (Bender 2020). Die Pandemie stellt weltweit eine große Belastung für unsere Gesellschaft, die Wirtschaft und das Gesundheitssystem dar. Ein Großteil der Fälle konnte auf den Huanan Seafood Wholsale Market zurückgeführt werden (Tan et al. 2020). Nach Liu u. a. (2020) beträgt die durchschnittliche Reproduktionsrate 3,28 (Liu et al. 2020). Diese Zahl bedeutet, dass mehr als drei neue Infektionen durch einen einzelnen infizierten Patienten entstehen. Das erklärt, wieso sich das Virus innerhalb von nur zwei Monaten in ganz China und in 33 weiteren Ländern ausbreiten konnte (Ai et al. 2020). Das Virus überträgt sich durch direkten Kontakt mit Atemtröpfchen einer infizierten Person, die vor allem durch Niesen und Husten produziert werden.
Auch der Kontakt mit kontaminierten Oberflächen und dem anschließenden Anfassen des Gesichts kann zu einer Infektion führen. Die Krankheit äußert sich, ähnlich wie bei der Grippe oder einer einfachen Erkältung, durch Fieber, Husten und Atemnot. Darum ist es wesentlich, das Virus zuverlässig durch Tests zu identifizieren (Bender 2020). Die Inkubationszeit, also die Zeit zwischen der Ansteckung und dem Ausbrechen der Krankheit, dauert bis zu 14 Tagen (Lauer et al. 2020). Aufgrund der schnellen Ausbreitung und der Einfachheit der Übertragung ist eine schnelle und genau Erkennung des Virus essenziell, um die Pandemie effektiv einzudämmen und betroffene Patienten schnellstmöglich behandeln zu können. Die Diagnose von COVID-19 muss durch die Reverse-Transkriptase-Polymerase-Kettenreaktion (RT-PCR), die virale RNA nachweist, bestätigt werden. Nach Ai u. a. (2020) und Tahamtan und Ardebili (2020) haben diese Tests, die als bisherigen Goldstandard gelten, eine beschränkte Sensitivität (Ai et al. 2020; Tahamtan und Ardebili 2020). Je geringer die Sensitivität ist, desto höher ist die Anzahl falsch-negativer Testergebnisse. Nicht identifizierte Patienten tragen ein hohes Risiko, eine Vielzahl an weiteren Personen anzustecken. Aufgrund dessen ist es wichtig, die RT-PCR mit zusätzlichen Testmethoden zu unterstützen, um das Risiko weiterer Ausbreitung zu minimieren. Nach Feng et al. (2020) kann der Einsatz von Computertomographie, gerade bei anfänglich negativem RT-PCR Test, hilfreich sein, um COVID-19 nachzuweisen. In China wurde ein Fall eines Patienten gemeldet, der mit Fieber und Erkältungssymptomen in ein Krankenhaus kam, aber die wiederholt durchgeführte RT-PCR fiel viermal negativ aus. Durch einen CT Scan wurden fleckige Milchglastrübungen in der Lunge entdeckt, weshalb er als „vermutlichen Fall“ eingestuft und isoliert wurde. Erst der fünfte RT-PCR Test konnte dem Patienten das SARS-CoV-2 nachweisen (Feng et al. 2020). Deswegen werden immer mehr Studien in diese Richtung angestrebt.
Bei der Computertomographie handelt es sich um ein spezielles Röntgenverfahren, welches es ermöglicht, überlagerungsfreie Schichtaufnahmen des Körpers einschließlich der Weichteile zu erstellen. Diese werden dann am Computer zu hochaufgelösten Bildern zusammengesetzt, um die betroffene Körperregion genau untersuchen zu können (Brockhaus 2020). In einer Studie von Ai u. a. (2020) wurde die Korrelation zwischen Lungen CT und RT-PCR Tests bei Corona Patienten in Wuhan, China, untersucht.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 1: Flussdiagramm der Studie zur Korrelation von CT Scans und RT-PCR Tests (Ai et al. 2020)
1049 potenzielle COVID-19-Patienten wurden CT-Untersuchungen und RT-PCR Tests unterzogen. 35 Patienten konnten nicht berücksichtig werden, weil zwischen RT-PCR und CT-Untersuchung mehr als sieben Tage vergangen waren. Von allen 1014 untersuchten Patienten hatten 601 (59%) positive RT-PCR Ergebnisse und 888 (88%) hatten positive CT Scans (siehe Abb. 1). Die Sensitivität der CT Scans lag bei 97%. Das bedeutet, dass 580 von 601, durch RT-PCR als positiv bestätigten Patientin, auch richtig diagnostiziert wurden. Von den 308 Patienten mit negativen RT-PCR, aber positiven CT Scans, wurden 147 (47%) als sehr wahrscheinliche und 103 (33%) als wahrscheinliche Fälle eingestuft. Die Scans wurden von zwei Radiologen, die die Ergebnisse der PT-PCR nicht kannten, untersucht. Aufgrund der sehr guten Ergebnisse empfehlen die Radiologen, die CT Scans als primäres Instrument für die COVID-19 Erkennung einzusetzen (Ai et al. 2020). Im Zuge einer Studie von Zhou u. a. (2020) wurden die CT Eigenschaften von COVID-19 genauer untersucht und beschrieben.
Abbildung 2: CT Scans von drei COVID-19 Patienten (Zhou et al. 2020)
Auf diesen Bildern (Abb. 2) sind die fleckigen Milchglastrübungen, die durch die Krankheit in der Lunge entstehen, zu erkennen und durch die weißen Boxen gekennzeichnet (Zhou et al. 2020).
Anhand dieser Veränderungen ist es möglich, Patienten frühzeitig zu diagnostizieren und infolgedessen zu isolieren und zu behandeln, um die weitere Ausbreitung des Virus zu verhindern. Laut Ding u. a. (2020) kann das Virus, durch die in CT Scans erkennbaren, Anomalien in der Lunge früher erkannt werden als das mit RT-PCR Tests möglich wäre (Ding et al. 2020).
Um die Verwendbarkeit der Computertomographie bei der Diagnose von COVID-19 bewerten zu können, müssen auch die Limitationen betrachtet werden. Die Veränderungen, die in der Lunge von Corona Patienten auftreten, sind nicht spezifisch und decken sich mit den Symptomen anderer Infektionskrankheiten, wie Grippe, H1N1, SARS und MERS (Kooraki et al. 2020). Durch die Mehrdeutigkeit der Ergebnisse kann es schwierig sein die Krankheit eindeutig zu diagnostizieren, und das Risiko falsch positiver Ergebnisse steigt. Gerade wenn die Begleitumstände des Patienten unbekannt sind, also CT Scans als alleinstehende Diagnosemethode verwendet würden, ist es nur bedingt möglich, das Virus zu identifizieren. Yang et al. (2020) schreiben, dass die CT Scans nur sinnvoll für die Diagnose während der Pandemie sind, da sie nur die virale Lungenentzündung erkennen, nicht aber, welches Virus diese ausgelöst hat. Da die meisten viralen Lungenentzündungen während der Krise aber auf SARS-CoV-2 zurückzuführen sind, ist es sehr wahrscheinlich, dass der Patient von COVID-19 betroffen ist. Aufgrund dessen wird die Diagnose mittels CT Scans als nützlich in Gebieten mit hoher Betroffenendichte betrachtet (Yang et al. 2020). Eines der Hauptprobleme ist der Mangel an Daten, die der Forschung zur Verfügung stehen. In der Studie von Zhou et al. (2020) wurden nur 62 Patienten untersucht, und aufgrund des kurzen Krankheitsverlaufs konnten die Veränderungen, die auf den CT Scans zusehen waren, nicht komplett verfolgt und beschrieben werden (Zhou et al. 2020). Im Bericht von Ai et al. (2020) wurden 1014 Fälle aus einem Krankenhaus in Whuan untersucht (Ai et al. 2020). Die Ergebnisse dieser Studie sind nur bedingt vergleichbar und auf die Gesamtpopulation anwendbar, da man sich nur auf ein einzelnes Krankenhaus beschränkt hatte und da die Patienten alle aus schwer betroffenen Gebieten kommen. Das erschwert die allgemeine Bewertung der Ergebnisse, da es sich um eine Stichprobenverzerrung handelt und die Auswahl der Patienten nicht klar definiert wurde. Allerdings ist es bei Personen, die bereits im Krankenhaus sind, viel wahrscheinlicher, dass anormale Befunde im CT Scan zu erkennen sind, als bei ambulanten Patienten (Raptis et al. 2020). Nach Wu und McGoogan (2020) haben 81%, der von COVID-19 Betroffenen keine oder milde Pneumonie und werden deshalb nicht in Krankenhäusern stationiert.
Das bedeutet, dass ein Großteil der COVID-19-Patienten in der Studie von Ai et al. (2020) nicht repräsentiert sind (Wu & McGoogan, 2020). Erschwerend kommt hinzu, dass es wahrscheinlicher ist, dass bei genau diesen Patienten keine CT Befunde auftreten. Das bestätigt auch die Studie von Inui et al. (2020), die 104 COVID-19-Patienten auf dem Kreuzfahrtschiff „Diamond Princess“ untersucht haben. Hier wurde festgestellt, dass 46% der Patienten ohne erkennbare Symptome keine CT Befunde hatten und auch bei 21% der Patienten mit erkennbaren Symptomen keine CT Veränderungen ausgemacht werden konnten. Die Studie von Bernheim et al. (2020) zeigt auch, dass Patienten, die sich in einer frühen Phase der Erkrankung befinden, häufig noch keine Auffälligkeiten in CT Scans vorzuweisen haben. 20 von 36 Patienten, die 0-2 Tage nach dem Beginn der Symptome untersucht wurden, hatten normale CT Scans ohne Milchglastrübungen. Nur einer dieser Patienten hatte einen anfänglich negativen RT-PCR Test. Das indiziert, dass die RT-PCR positiv ist, auch wenn auf den CT Scans noch nichts erkennbar ist. Deshalb ist es sehr unwahrscheinlich, dass CT Scans als zuverlässige eigenständige Diagnosemethode eingesetzt werden könnten. Laut Raptis u. a. (2020) ist die Glaubwürdigkeit der Sensitivität der CT Scans fraglich, da die Schwelle für eine positive Diagnose kaum definiert wurde. Die gefundenen fleckigen Milchglastrübungen können auch bei anderen Lungenkrankheiten festgestellt werden. Die Berücksichtigung solcher Fälle in der Studie führt zu einer Überbewertung der Sensitivität und gleichzeitig zu einer geringen Spezifität (Raptis et al. 2020). Eine geringe Spezifität aber führt zu einer hohen Anzahl von fälschlich positiv getesteten Personen, die bei einer Diagnose, die nur von den CT Scans abhängig gemacht würde, unnötigerweise behandelt werden müssten, ohne überhaupt vom Virus betroffen zu sein. Das würde zu vermeidbaren Kosten und einer Überlastung des Gesundheitssystems führen. Außerdem erfordert die radiologische Untersuchung ansteckender Patienten, gerade in Zeiten einer Pandemie, eine gründliche Dekontaminierung der benutzten Geräte (Mirza et al. 2015). Da es sich bei SARS-CoV-2 um ein über die Luft übertragbares Virus handelt, müssen Behandlungsräume nach einer Untersuchung bis zu einer Stunde lang gelüftet werden und sind somit nicht benutzbar (Bahl et al. 2020). Bei der RT-PCR reicht ein kurzer Patientenkontakt aus, um Abstriche aus dem Mund-, Rachen- oder Nasenraum zu entnehmen, sodass die entsprechenden Testverfahren in einem Labor durchgeführt werden können. Radiologische Untersuchungen erfordern allerdings engen Patientenkontakt, und nicht nur medizinisches Personal, sondern auch andere Patienten könnten dem Risiko einer Infektion ausgesetzt werden (RANZCR 2020).
Entsprechend der Aussage der Radiologin C. Dennie sollte die Benutzung von CT Scans bei Patienten mit Verdacht auf COVID-19 limitiert werden, um die CT-Einrichtungen nicht zu überlasten, so dass garantiert werden kann, dass Patienten, bei denen es wirklich notwendig ist, untersucht werden können, ohne andere Patienten und Krankenhauspersonal dem Risiko einer Infizierung auszusetzen (Dennie 2020).
Als Künstliche Intelligenz beschreiben wir Maschinen, die vor allem lernfähig sind und mit denen es uns Menschen möglich ist, komplexe Probleme zu lösen. In der Medizin wird die KI als Simulation intelligenten Denkens und ärztlichen Handelns definiert und als Entscheidungshilfe oder gar Entscheider eingesetzt (Huss 2019). Der Begriff Künstliche Intelligenz ist kein einfach zu definierendes Konzept, da es keine einheitliche Definition des Begriffs Intelligenz gibt (Tegmark 2017). Bei der Analyse von Bildern und Erkennung von Mustern werden vor allem Künstliche Neuronale Netze (KNNs) eingesetzt. Die ersten KNNs gehen auf die beiden amerikanischen Forscher Warren McCulloch und Walter Pitts im Jahre 1943 zurück (McCulloch & Pitts 1943). Hierbei handelt es sich um informationsverarbeitende Systeme, die durch das Vorbild der Arbeitsweise im menschlichen Gehirn inspiriert sind. Genau wie unser Gehirn aus unzähligen zusammengeschalteten Nervenzellen besteht, setzen sich KNNs aus einer Vielzahl einzelner Neuronen zusammen (Lämmel & Cleve 2020).
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 3: Ein Künstliches Neuronales Netz ohne Gewichte (RSIP Vision o. D.)
Die eingehenden Informationen werden von der Input Layer aufgenommen und gewichtet an die Neuronen der ersten Hidden Layer weitergeleitet. Jedes Neuron einer Schicht ist mit jedem Neuron der nächsten Schicht verbunden. Hier wird ein Großteil der Informationen verarbeitet und an die Output Layer weitergeleitet (siehe Abb. 3). Die Ausgabeschicht enthält auch das Ergebnis der Informationsverarbeitung (Moeser 2018).
[...]
