General Computer Vision für das Gesundheitswesen
Hintergrund
​
Laut WHO werden bis 2030 weltweit 18 Millionen Arbeitskräfte im Gesundheitswesen fehlen [1]. Während Länder aller sozioökonomischen Ebenen in unterschiedlichem Maße mit diesem Problem konfrontiert sind, ist die Situation in den Entwicklungsländern besonders schwerwiegend. Industrieländer versuchen, dieser Herausforderung durch Rekrutierung von internationalem medizinischem Personal aus Entwicklungsregionen zu begegnen, aber die daraus resultierende internationale Migration von Gesundheitspersonal verschärft sogar den Arbeitskräftemangel in Ländern mit niedrigem und mittlerem Einkommen [2].
​
Der Mangel an ÄrztInnen führt dazu, dass viele Bedürftige keinen Zugang zu wichtigen Gesundheitsdiensten haben. Aber auch wer Glück hat und das nächste Krankenhaus erreichen kann, bekommt oft eine Behandlung von schlechter Qualität oder gar eine ungenaue Diagnose, weil ÄrztInnen oft überlastet sind oder kein Personal mit den erforderlichen Domänenfachwissen zur Verfügung steht. In solchen Situationen können Machine Intelligence (MI)-Technologien wichtige Hilfe leisten.
​
Machine Learning (ML)-Systeme sind bereits in vielen medizinischen Bereichen in der Lage, korrekte Diagnosen zu stellen (siehe z. B. [3] für eine Übersicht). Obwohl sie ÄrztInnen nicht ersetzen können, können intelligente Diagnosesysteme MedizinerInnen dabei unterstützen, schneller eine genaue Diagnose zu finden und ermöglicht ihnen sich mehr Zeit für die PatientInnen und der Suche nach deren bestmöglichen Behandlung zu nehmen.
​
Spezielle ML-Systeme, sogenannte Computer Vision Systeme, sind besonders effektiv bei der Analyse medizinischer Bilder, z. B. Fotos, Röntgenbilder, CT- und MRT-Scans. Solche Bildanalysen können ÄrztInnen für die Diagnose von Krankheiten oder Verletzungen verwenden. So können Computer Vision Systeme insbesondere AllgemeinärztInnen in Entwicklungsländern unterstützen, die möglicherweise nicht über ausreichende Spezialkenntnisse in bestimmten medizinischen Fachgebieten haben.
​
Aktuelle Computer Vision Systeme sind jedoch sehr spezialisiert. Das bedeutet, dass sie nur eine oder wenige Krankheiten identifizieren können und auf eine bestimmte Dateneingabeart, z. B. Röntgenbilder oder Fotos, beschränkt sind. Damit ein maximaler Mehrwert für AllgemeinärztInnen insbesondere in Entwicklungsländern erreicht werden kann, muss ein intelligentes diagnostisches Computer Vision System allgemein sein, d. h. es muss in der Lage sein ein breites Spektrum von Krankheiten zu identifizieren und mit vielen verschiedenen Arten von Eingangsbildern umgehen zu können.
​
Aufgrund der damit verbundenen Komplexität und des damit verbundenen Aufwands werden die derzeitigen Systeme außerdem in der Regel nur von High-End-MedizinerInnen und einer sehr kleinen Anzahl von ÄrztInnen verwendet. Um Computer Vision für das Gesundheitswesen für ÄrztInnen in Entwicklungsländern zugänglich zu machen, muss man ein System schaffen, das open-source und kostenlos ist.
​
​
Vision
​
Ein kostenloses und leicht zugängliches open-source General Computer Vision System, das ein breites Krankheitsspektrum abdeckt und verschiedene Arten von Eingangsbildern verarbeiten kann (Fotos, Röntgenbilder, CT und MRT-Scans usw.).
​
​
Erwartete Auswirkungen
​
Dieses System wird AllgemeinärztInnen und anderem medizinischem Personal, einschließlich denen in den Entwicklungsländern, helfen ihren PatientInnen genauere Diagnosen zu stellen. Es wird Hilfestellung bei der Lösung des Problems des Mangels an medizinischem Fachpersonal in Entwicklungsregionen geben und zu einer besseren Gesundheitsversorgung, weniger vorzeitigen Todesfällen und einer höheren Lebensqualität für die PatientInnen führen.
​
​
Projektphasen
​
-
Phase 1: Forschung und Proof-of-Concept
Diese Phase ist der Erforschung möglicher MI-Architekturen gewidmet, die in der Lage sind, verschiedene Arten von Eingangsbildern und ein breites Krankheitsspektrum abzudecken. Diese Phase dient als Machbarkeitsnachweis für das geplante General Computer Vision System für das Gesundheitswesen und liefert die wissenschaftliche Grundlage für das gesamte Projekt. -
Phase 2: Kooperationen aufbauen und mehr Daten sammeln
Es gibt zwar genügend öffentlich verfügbare Daten um Phase 1 durchzuführen, aber für eine gut funktionierende Anwendung müssen zusätzliche Daten erhoben und gelabelt werden, damit die MI-Algorithmen davon lernen können. Um diese Daten zu sammeln, wird MI4People mit gemeinnützigen Organisationen, Krankenhäusern, ÄrztInnen und Regierungsbehörden zusammenarbeiten. -
Phase 3: Entwicklung des Systems
Diese Phase konzentriert sich auf die Entwicklung eines funktionierenden Prototyps des General Computer Vision Systems für das Gesundheitswesen. -
Phase 4: Feldstudie
Anhand der Ergebnisse aus Phase 3 wird eine Feldstudie durchgeführt, die die tatsächlichen Auswirkungen der MI-basierten General Computer Vision auf das Gesundheitswesen betrachtet, insbesondere in Entwicklungsländern. -
Phase 5: Übergabe an die Allgemeinheit
Wenn Phase 4 positive und wirkungsvolle Ergebnisse zeigt, wird MI4People den relevanten Softwarecode, Daten, MI-Modelle/Tools und jedes andere geistige Eigentum, das während des Projekts erstellt wurde, öffentlich zugänglich machen und eine Community von EnthusiastInnen schaffen, die das System als Open-Source-Projekt pflegen und weiterentwickeln werden. -
Mögliche Erweiterungen
Wenn das von MI4People kreierte General Computer Vision System für das Gesundheitswesen erfolgreich ist, könnte es sinnvoll sein darauf aufzubauen und ein System zu schaffen, das nicht nur Diagnosen liefert, sondern auch Behandlungsempfehlungen.
​
​
Aktueller Status
​
Phase 1 läuft.
​
Wir arbeiten derzeit mit vier Krankenhäusern im Kongo zusammen, um Röntgenbilder der Brustregion aus Afrika zu sammeln, und arbeiten daran, unser Netzwerk zu erweitern, um weitere Krankenhäuser einzubeziehen.
Diese Aufgabe ist wichtig, da alle öffentlich zugänglichen Trainingsdaten aus digitalen Röntgenbildern bestehen, die in Industrieländern gesammelt wurden, und ein großer Teil der Krankenhäuser in Entwicklungsländern (einschließlich Afrika) analoge Geräte verwendet. Diese Maschinen produzieren Bilder mit geringerer Qualität und müssen zuerst digitalisiert werden, bevor sie von KI-Modellen verarbeitet werden können. Dies führt zu einem ganz anderen Input als bei den verfügbaren Trainingsdaten.
Darüber hinaus deuten einige Studien darauf hin, dass KI-Modelle, die mit verfügbaren öffentlichen Daten trainiert wurden, unter „racial bias“ leiden (z. B. [4] und [5])
Diese Zusammenarbeit ist ein sehr wichtiger Schritt, um medizinische KI-Technologien für Entwicklungsländer verfügbar zu machen, und – soweit wir wissen – wird der Datensatz, den wir derzeit erstellen, der erste öffentliche Open-Source-Datensatz sein, der sich ausschließlich auf die Bevölkerung in Entwicklungsregionen konzentriert.
​
​
Möglichkeiten zur Mitwirkung
Wir suchen derzeit Data Scientists, die bereit wären, als Freiwillige zum Projekt beizutragen.
​
Wir wären auch sehr dankbar für jede finanzielle Unterstützung oder Sachspenden zur Unterstützung dieser Initiative.