Dieser Spezialkurs zeigt anhand eines konkreten Beispiels die Anwendung von künstlicher Intelligenz in der Medizin.

In diesem online Training zu künstlicher Intelligenz programmieren wir gemeinsam einen Bild-Klassifizierer, der mithilfe künstlicher Intelligenz in der Lage ist, Röntgenbilder in zwei Gruppen:

• Diagnose:Pneumothorax und

• Diagnose:Kein Pneumothorax

einzuteilen. Wir bauen dieses Modell Schritt für Schritt mithilfe des fastai deep learning Frameworks auf. Dafür nutzen wir die spezielle fastai Bibliothek "fastai.medical.imaging", die uns bei der Verarbeitung von medizinischen Bilddaten unterstützt.

Wir präsentieren verschiedene frei zugängliche medizinischen Bilddatensets, die jeder für die Erstellung und das Training von KI-Anwendungen bzw. Deep Learning Anwendungen verwenden kann.

Folgende Bilddatensets stellen wir in diesem online Kurs zu künstlicher Intelligenz in der Medizin vor:

• Das SIIMPneumothorax Datenset mit 250 Röntgenbildern der Lunge

• Das CT-Medical Datenset von Kaggle, das CT-Bilder enthält

• Das Thyrocid Medical Datenset von Kaggle, das Ultraschallbilder der Schilddrüse inkl. Segmentierung der Schilddrüse beinhaltet.

Um einen Schnelleinstieg in das Thema künstliche Intelligenz in der Medizin für alle Kursteilnehmer - unabhängig von deren Vorkenntnissen zu ermöglichen, beginnen wir mit der Erstellung eines einfachen deep learning Modells mithilfe vom Fastai Framework. Anhand dieses Beispiels sehen wir, wie künstliche Intelligenz in der Lage ist, Bilder zu analysieren und verschiedenen Klassen zuzuordnen.

Im Zuge dieser Lektion lernen wir auch den Unterschied zwischen einer Loss-Funktion und einer Metrik bei Machine Learning bzw. Deep Learning Modellen kennen. Dieser Teil des online Kurses ist als Schnelleinstieg in die Erstellung von deep Learning Modellen mit dem fastai Framework gedacht. Wer mehr Informationen über die Implementierung künstlicher Intelligenz mithilfe von fastai lernen möchte, dem sei unser online Kurs "welcome2ki -Teil 3" empfohlen, der ebenfalls über Udemy verfügbar ist.

Wenn wir mit Bilddaten in der Medizin arbeiten, kommen wir am DICOMStandard nicht vorbei. DICOMist das Akronym für Digital Imaging and Communication in Medicine. Praktisch alle Ergebnisse der bildgebenden Diagnostik werden als Dateien im DICOMFormat gespeichert und übertragen. Insbesondere in der Radiologie hat sich PACS(Picture Archiving and Communication)als Datensilo für medizinische Bilddaten etabliert. Das heißt, egal ob wir Bilddaten in der Medizin mithilfe von künstlicher Intelligenz, Machine Learning oder Deep Learning auswerten oder einfach nur anzeigen und speichern wollen, an einem Basisverständnis über den DICOMBildstandard kommt niemand vorbei.

Wir zeigen, wie DICOMdefiniert ist, was der Standard alles kann, wie wir zusätzliche Informationen zu den medizinischen Bildern, wie Aufnahmedatum, Patientendaten, Untersuchungsdatum, etc. anzeigen können.

Insbesondere bei der Darstellung der medizinischen Bilder im DICOMStandard müssen wir auch die Werte der Pixel in den Bildern verstehen. Diese sind als Einheiten auf der Hounsfield Skala angegeben. Wir zeigen in diesem Kurs, was die Idee hinter der Verwendung der Hounsfield Skala ist und wie wir die Pixeldaten auf Werte auf der Hounsfield Skala mithilfe von fastai umrechnen können.

Auch wenn wir für unseren Deep Learning Bildklassifzierer nur mit dem SIIMPneumothorax Datenset arbeiten werden, so stellen wir zwei weitere kostenfrei verfügbare Datensets mit medizinischen Bildern in diesem online Kurs vor.

Wir zeigen das CT-Medical Datenset von einem Kaggle Wettbewerb, da dieses im Unterschied zum SIIMPneumothorax Datenset Aufnahmen vom Computer Tomografen beinhaltet. Danach gehen wir noch auf das Thyrocid Medical Datenset ein, das auch Besonderheiten aufweist. Einerseits beinhaltet es Ultraschallbilder (also eine weitere Gattung medizinischer Bilder) und andererseits beinhaltet es Untersuchungsreihen. Wir zeigen wie wir mit fastai solche Untersuchungsreihenbilder analysieren und darstellen können.

Der Hauptteil des online Kurses zur Anwendung künstlicher Intelligenz in der Medizin beschäftigt sich dann mit der Erstellung eines KI-Systems, das die Röntgenbilder aus dem SIIMPneumothorax Datenset korrekt klassifizieren kann. Da der Einsatz jedes automatisierten Systems in der Medizin besonders hohe Anforderungen an Zuverlässig und Sicherheit stellt, widmen wir uns im Anschluss an die Entwicklung unseres Deep Learning Modells dann noch der Analyse und Interpretation der Ergebnisse. Wir unterscheiden falsch-positive von falsch-negativen Ergebnissen und Errechnen Kennzahlen unseres KI-Modells, die besonders für den Einsatz in der Medizin große Bedeutung aufweisen.

Den Abschluss unseres online Trainings "Deep Learning & künstliche Intelligenz in der Medizin" stellt dann die Programmierung eines Benutzerinterfaces dar, mit dem Endanwender unser Deep Learning Modell direkt in Form einer Web-Applikation nutzen können. Dafür verwenden wir das Voila Framework in Kombination mit dem myBinder Service.

Gerade in der Medizin ist für die Evaluierung und die damit verbundene Akzept von KI-Systemen ein hohes Experten- und Domänenwissen erforderlich. D.h. die frühzeitige Einbindung von Ärzten und Mediziner in den Entwicklungsprozess eines KI-Modells wird entscheidend für den Erfolg oder Misserfolg der späteren KI-Applikation sein. Damit jedoch Mediziner und Ärzte ohne langwierige Einschulung in den Entwicklungsprozess eingebunden werden können, ist ein möglichst einfaches Benutzerinterface für unsere KI-Anwendung erforderlich. Gerade während des laufenden Entwicklungsprozess ergeben sich jedoch laufend Änderungen, weshalb wir da nicht noch Zeit für die Implementierung des User-Interfaces aufwänden möchten. Voila in Kombination mit iPython Widgets ist ein schlagkräftiges Team, um schnell und einfach ein Java-Script Webinterface aus Jupyter Notebooks erstellen zu können. Wir hosten dann unser ganzes Projekt auf github und präsentieren das User-Interface mithilfe vom myBinder Service an unsere Test-User.