Künstliche Intelligenz

Wachsende Anforderungen an KI-Anwendungen

01. Oktober 2020, 15:20 Uhr   |  Günther Dumsky (Kontron)

Wachsende Anforderungen an KI-Anwendungen
© Pixabay

Künstliche Intelligenz kann schon heute viel, aber das ist noch nicht das Ende der Geschichte

Neue Chancen in Prävention, Diagnostik und Therapie

Die Marktsituation im Gesundheitswesen verändert sich rasant, Konnektivität und Skalierbarkeit des Internet der Dinge (IoT) machen Anwendungen weit über die einfache Datenerfassung hinaus möglich. So bieten intelligente Echtzeit-Anwendungen einen praktischen Mehrwert für die Patientenversorgung und gleichzeitig die Möglichkeit, Kosten zu senken. Die schnellere und effizientere Analyse großer Datenmengen macht große Fortschritte möglich – von der frühzeitigen Diagnose von Krankheiten über die Therapieberatung bis hin zur Medikamentenentwicklung.

Der Schlüssel dafür liegt in Künstlicher Intelligenz (KI). Bereits jetzt ist ihr Potenzial in der Medizin beträchtlich und wirkt sich auf die traditionellen Verfahren der medizinischen Bildgebung bei der Datenanalyse und computergestützten Diagnose aus. KI-Anwendungen werden dabei in zahlreichen medizinischen Geräten eingesetzt, von Tomographie- (MRT, CRT) Systemen über Ultraschall- und Diagnosegeräte bis hin zu mobilen und ultramobilen Geräten für den Einsatz in Diagnose und Pflege.

KI macht die Analyse großer Datenmengen effizienter

Ein großer Vorteil gegenüber der vom Menschen geleisteten Analyse: Die in der Diagnose verwendeten KI-Algorithmen können Ergebnisse in Bruchteilen von Sekunden statt in Stunden oder Tagen erzielen und äußerst effizient kommunizieren und auswerten. Viele Bereiche der Medizin, darunter Radiologie, Kardiologie und Orthopädie, können davon profitieren. So können beispielsweise in der Radiologie Röntgenbilder so gespeichert werden, sodass sie eine genauere und schnellere Diagnose ermöglichen. Mithilfe der Algorithmen kann auch die Fehlerquote bei der Diagnose reduziert werden, zum Beispiel bei der Erkennung von Haut- und Brustkrebs. 

Die derzeit am häufigsten angewendeten KI-Techniken sind Machine Learning und Deep Learning, bei denen neuronale Netze zur Analyse von Datensätzen verwendet werden, um spezifische Vorhersagen über die Patientenversorgung bei verschiedenen Erkrankungen wie unterschiedlichen Krebsarten, Nierenerkrankungen, Herz-Kreislauf-Erkrankungen und Demenz zu treffen. Insbesondere Deep Learning entwickelt dabei eine Art »sechsten Sinn«, der Vorhersagen aus Datenmustern treffen kann, die vom Menschen übersehen werden könnten. 

Das ist erst der Anfang

Die sogenannte Predictive Analytics & Therapy ist daher dank des Einsatzes leistungsfähiger, ausgefeilter und in einigen Fällen selbstlernender Algorithmen bereits auf dem Vor-marsch. Doch damit nicht genug. Auch in der Infrastruktur des Gesundheitswesens wird KI zur Erfassung, Analyse, Speicherung und Freigabe von Daten genutzt. Bildung und Forschung sind weitere Anwendungsbereiche.

Immer ausgefeiltere KI-Systeme werden zukünftig verschiedene Datenquellen wie CT, MRT, Genomik und Proteomik miteinander verknüpfen und dabei auch weitere Patientendaten – sowohl digitale als auch handschriftliche Dateien – einbeziehen, um Krankheiten und deren Behandlung und sogar deren Prävention, zu bewerten. Je mehr medizinische Daten dabei für Analyse und Vergleich zur Verfügung stehen, desto besser wird KI das medizinische Fachpersonal bei komplexen analytischen Aufgaben unterstützen.

Darüber hinaus wird es den Patienten ermöglicht, sich über mobile Anwendungen zu Hause medizinisch beraten zu lassen. Durch den Zugriff auf eine fast unendliche Anzahl von Variablen, kann Machine Learning effiziente und schnelle Analysen liefern, die notwendig sind, um zu bestimmen, wie gut ein Patient wahrscheinlich auf eine Behandlung ansprechen wird. 

Effiziente Analyse spart Zeit und Geld

Auch im Hinblick auf die Wirtschaftlichkeit im medizinischen Bereich sind KI-fähige Entwicklungen eine willkommene Unterstützung, nicht zuletzt aufgrund des zunehmenden Budgetdrucks, Zeitmangels und anhaltenden Fachkräftemangels. Die Marktprognosen scheinen dies zu stützen.

Frost & Sullivan erwarten, dass der globale Markt für KI-Anwendungen im Gesundheitswesen jährlich um 40 Prozent wächst und bis 2021 ein Volumen von rund 6,7 Milliarden US-Dollar erreicht. Die Marktforschung von PWC hat potenzielle Kosteneinsparungen durch KI innerhalb von zehn Jahren aufgezeigt und prognostiziert Milliarden von Euro an Einsparungen in Bereichen wie der Vorbeugung von Adipositas bei Kindern durch eine effizientere Analyse typischer Risikofaktoren, der Behandlung von Demenz durch frühere und genauere Warnzeichen oder von Brustkrebs durch schnellere und genauere Ergebnisse.

Hohe Anforderungen an medizinische Systeme

Die Gesamtanforderungen an die Planung und Realisierung medizinischer Systeme sind umfangreich und aufwendig. Bei der Betrachtung der Kapital-, Personal- und Organisationsfragen ergeben sich zudem erhebliche Herausforderungen. Darüber hinaus hat die Notwendigkeit der Echtzeit-Bildverarbeitung von ständig wachsenden Datenmengen erheblichen Ein-fluss auf das Design der Entwickler.

Typische Projektanforderungen für Entwickler von KI-Systemen:

Parallel Processing in Echtzeit

Leistungsstarke Grafikbeschleunigung für GPUs

Einfache Serverkonfiguration und Skalierbarkeit

Kontinuierliche 24/7 Systemverfügbarkeit

Sicherheit

Langlebigkeit des Servers

Langfristige Verfügbarkeit

Minimale Lärm-Emission

Dass der Leistungsumfang von KI-Software auch die Anforderungen an die Hardwaresysteme mehr denn je erhöht, wenn es um verfügbare Rechenleistung, GPU-Leistung und Skalierbarkeit geht, ist deshalb nicht überraschend. Auch werden im medizinischen Bereich von Computersystemen höchste Sicherheits- und Zuverlässigkeitsstandards für Compliance- und Zertifizierungszwecke gefordert. Darüber hinaus ist eine langfristige Verfügbarkeit zur Maximierung des Return on Investment unerlässlich. Geringe Lärmemission sollte zudem bei den typischen Umgebungsbedingungen im medizinischen Bereich selbstverständlich sein. Robustes Hardware-Design ist ebenso notwendig, um eine hohe Leistungsfähigkeit und Zuverlässigkeit für medizinische Systeme zu gewährleisten.

Mit der Skalierbarkeit und Echtzeitfähigkeit als absoluter Grundvoraussetzung wird erheblich mehr Rechenleistung benötigt, ohne dabei den Kostenfaktor außer Acht zu lassen, - eine neue Generation leistungsfähiger Serverplattformen macht dies möglich. Diese sind typi-scherweise mit den neuesten Multicore-CPUs ausgestattet, um das umfassende Parallel Processing leisten zu können, das in der medizinischen Bildgebung und der KI-gestützten Diagnose erforderlich ist.

Ein weiterer wichtiger Aspekt ist die Parallelisierung auf GPUs bei KI-fähigen medizinischen Systemen. Hier war die Beschleunigung von Deep-Learning-Algorithmen auf den branchen-führenden GPUs ein wichtiger Meilenstein. Deep Learning zum Beispiel profitiert nun stark von der Portierung auf die programmierbaren Grafikprozessoren (GPUs), wodurch die Lernzeit des neuronalen Netzwerksystems von Wochen auf wenige Stunden reduziert wird. Dies wiederum hat immer ausgefeiltere neuronale Netze mit leistungsfähigen Bildklassifizierungs- und Spracherkennungsfunktionen ermöglicht.

Links

Mehr Informationen zu den Medizinlösungen von Kontron finden Sie hier

Lesetipp: Um diesen Anforderungen an die Rechenleistung und dem enormen Potenzial von KI im Gesundheitswesen gerecht zu werden, hat Kontron S&T AG, Augsburg, kürzlich seinen bisher leistungsfähigsten KISS Rackmount-Server KISS V3 4U SKX vorgestellt. Mehr dazu finden Sie in der aktuellen Ausgabe der medical design (S. ). Hier geht’s zum kostenfreien ePaper

Auf Facebook teilenAuf Twitter teilenAuf Linkedin teilenVia Mail teilen

Verwandte Artikel

Kontron AG