IT & Kommunikation

Optimale Diagnosen durch Expertenwissen und Machine Learning

01.09.2022 - Die moderne Diagnostik muss qualitativ hochwertige und zeitnahe Ergebnisse liefern. Hierbei helfen Lösungen mit Modellen auf Basis von Machine Learning.

Die medizinische Behandlung steht heutzutage vor einer großen Herausforderung: Anhand zahlreicher Datenwerte sollen Ärzte eine fehlerfreie Diagnose erstellen, um die Behandlung optimal auf den Patienten abstimmen zu können. Nur so lassen sich komplexe Krankheiten gezielter behandeln. Doch der Weg zu einer korrekten Diagnose ist steinig. Einerseits müssen unterschiedliche Symptome schnell, präzise und zuverlässig erkannt werden. Andererseits erfordern viele Krankheiten die Beteiligung von Experten für unterschiedliche Fachgebiete – beispielsweise um genetische Daten, Blutwerte oder Knochenmark-Analysen gesammelt zu betrachten. Neben diesen Anforderungen gilt es, die Kooperation zahlreicher Beteiligter zu koordinieren.

Um diese Herausforderungen zu bewältigen, gibt es mittlerweile einige Forschungsprojekte, die Diagnoseprozesse mithilfe der Kombination von menschlichem Wissen und maschinellem Lernen (ML) optimieren. Dazu zählt u.a. ein erfolgreiches Vorhaben des Münchner Leukämielabors (MLL), durch dessen Arbeit Wartezeiten auf die Diagnose verkürzt und die Therapie spezifischer werden können. Dies erhöht signifikant die Heilungschancen.
Das MLL wurde 2005 vom Hämatologen Prof. Dr. Dr. Torsten Haferlach zusammen mit Kollegen gegründet, um die Diagnose und Behandlung von Leukämie zu verbessern. Seitdem hat es sich zu einer weltweit führenden Einrichtung für Blutkrebsdiagnostik und -forschung entwickelt, die in einem hochinnovativen Umfeld tätig ist. Ein weiterer Meilenstein ist jetzt die integrierte Diagnostik auf Basis von maschinellem Lernen und Cloud-Technologie, die das MLL in Zusammenarbeit mit dem Unternehmen Amazon Web Services (AWS) umsetzen konnte.

Leukämie-Diagnose mit ML

Bei Leukämie handelt es sich um sehr viele Blutkrebsarten – die Weltgesundheitsorganisation (WHO) definiert 2022 weit mehr als 100 speziell genetisch unterschiedliche Subtypen. Da diese
Subentitäten sehr heterogen sind, benötigen medizinische Fachkräfte für die Erstellung einer Diagnose und passenden Behandlung viel Erfahrung und Zeit. Für Patienten ist es jedoch lebenswichtig, möglichst schnell die richtige Diagnose und einen passenden Behandlungsplan durch die behandelnden Ärzte zu erhalten.

Deshalb suchte das MLL in Zusammenarbeit mit dem Machine Learning Solutions Lab (MLSL) und dem Mission Solutions Team (MST) von AWS nach Wegen, neueste Technologien für die Diagnosefindung und die zielgerichtete und effiziente Behandlung von Leukämie zu verwenden. Mit Hilfe von maschinellem Lernen und Fachwissen der MLL-Mitarbeiter wurde so eine automatisierte Datenauswertung zur zuverlässigen Diagnose von Leukämie entwickelt. Und hier wurde auch unter anderem das sogenannte NGS-Verfahren (Next Generation Sequencing) eingesetzt. Damit sich die riesigen Datenmengen verarbeiten lassen, wie sie auch bei anderen Verfahren – beispielsweise dem Whole-Genome Sequencing (WGS) – anfallen, entschied sich das MLL zudem für den Einsatz von Cloud-basierten Technologien. Die unbegrenzte Datenspeicherung, Rechenleistung und Parallelisierung der vom MLL verwendeten Cloud-Lösungen helfen dabei, mehr Leukämiefälle als bisher parallel zu analysieren und schneller eine passende Behandlung zu definieren.

Innovatives Verfahren

Bei der Rechenleistung stellt der Einsatz des NGS vor allen Dingen zwei Anforderungen an große Labore: Erstens müssen diese in der Lage sein, die Routinearbeit für bis zu 500 Proben pro Tag zu verarbeiten. Zweitens ist eine kurze TAT (Turnaround time) erforderlich, um die Daten der unterschiedlichen Patienten so schnell wie möglich analysieren zu können. Mithilfe der AWS-Cloud kann das MLL diese Anforderungen viel besser erfüllen und gleichzeitig den Durchsatz für den gesamten Prozess der Genomsequenzierung beschleunigen. Während es früher 15 Minuten dauerte, Proben eines einzigen Patienten zu berechnen, können heute in der gleichen Zeit mehr als 100 Proben bearbeitet werden. Das ist für Patienten ein wichtiger Zeitgewinn, da keine Wartezeiten auf begrenzte Analyseressourcen anfallen. Um die sensiblen Daten zu schützen, nutzt das MLL Sicherheits-Dienste von AWS, die höchste Sicherheitsstandards erfüllen, und die von unabhängigen Akkreditierungsstellen zertifiziert werden. Zudem verschlüsselt das MLL die Daten, wodurch nur berechtigtes Personal des MLL Zugriff darauf erhält.

Optimierte Diagnoseprozesse

Die Zusammenarbeit mit AWS hat die Analyse- und Diagnose-Prozesse des MLL erheblich beschleunigt. Durch die Nutzung der AWS-Cloud konnte sich das MLL-Team auf die Arbeit mit den Patientendaten konzentrieren, ohne sich um die Verwaltung der Infrastruktur kümmern zu müssen. Auch die Konfiguration und das Steuern des Trainingsalgorithmus für das ML-Modell erfolgen vollständig automatisch. Die ermittelten Informationen werden zu den AWS-Servern in Frankfurt übertragen. Dort werten Algorithmen die Daten direkt in der Cloud aus, was die Analysen zusätzlich beschleunigt: Früher benötigte das MLL mit der internen auch sehr guten Infrastruktur bis zu 20 Stunden für bestimmte Prozesse, heute lassen sich diese Arbeitsschritte in nur drei Stunden erledigen.

Ein weiteres Ergebnis war die sehr hohe und reproduzierbare Genauigkeit der komplexen Analysen: 95 % in der Zytomorphologie, 92 % bei Genomen sowie Transcriptomen und 90 % bei Immunophänotypisierung. Die so durch das ML vorbereiteten Daten werden dann zur weiteren Validierung an das MLL-Team übergeben. Erst dann entsteht der Befund.
Auch in finanzieller Hinsicht hat sich das neue Verfahren als äußerst effizient erwiesen. Das Labor kann die Nutzung der Cloud-Dienste je nach Bedarf anpassen und zahlt letztendlich nur für die Ressourcen, die es jeweils in Anspruch nimmt. Mithilfe des NGS erhöhte sich somit die Qualität der Diagnostik, bei gleichzeitiger Verringerung der Kosten. In Zukunft will das MLL den Ansatz noch weiter verbessern, um die schnelle, hochpräzise und algorithmisch objektive Leukämiediagnose über die Cloudinfrastruktur für Patienten weltweit voranzutreiben.

Erkenntnisse aus dem Projekt

Drei Ergebnisse sind aus der Kooperation besonders hervorzuheben:
Zusammenarbeit mit Fachleuten – Bei der Kombination von Machine Learning und künstlicher Intelligenz im medizinischen Bereich kommt es auf das gesammelte Wissen von Experten aus ganz unterschiedlichen Bereichen an. Durch die Kombination verschiedener Disziplinen kann das MLL den größten und hochwertigsten Datensatz seiner Art für die Blutkrebsdiagnostik zur Verfügung stellen.  Dies erleichterte auch die Erstellung des maschinellen Lernmodells für die Data Scientists von AWS.

Schnellere Ergebnisse – Mithilfe der Werkzeuge von AWS ließen sich viele Schritte im Diagnostikprozess bis zu 5-mal schneller erbringen. Außerdem musste sich das MLL-Team nicht um das Management der Infrastruktur kümmern und konnte sich vollständig auf seine eigentliche Arbeit mit den Daten konzentrieren.

Symbiose von Technologie und Mensch – Maschinelles Lernen hilft Ärzten, bei ihren Diagnosen schneller und präziser zu sein. Es verringert die Fehlerwahrscheinlichkeit und wird zu einer höheren Qualität der Analyse führen. Doch selbst das beste ML-Modell kommt zu falschen Ergebnissen, wenn es nicht zu den vorliegenden Daten und Verfahren passt. Die Optimierung der ML-Modelle ist ein kontinuierlicher Prozess und muss stets weitergeführt werden. Daher wird trotz maschinellem Lernen weiterhin die menschliche Expertise als wichtiges Korrektiv benötigt.

Andere Diagnosebereiche

In diesen ersten Pilotstudien hat sich die Kooperation zwischen dem MLL und AWS als Erfolg erwiesen. Der neue ML-basierte Ansatz des MLL lässt sich damit aber nicht nur für die Diagnose von Leukämie einsetzen. Auch medizinische Analysen in vielen anderen Bereichen können in Zukunft von maschinellem Lernen profitieren. Eine integrierte Diagnostik, die Bild-, Genom- und Vitaldaten sowie Informationen der Patientenakten zusammenführt, ermöglicht in vielen Einsatzgebieten eine Patientenversorgung, in der der Mensch wieder im Mittelpunkt steht und die auf den Einzelnen zugeschnitten werden kann – im Sinne der Präzisionsmedizin.

Autor: Jens Dommel, Head of Healthcare EMEA, Amazon Web Services, Berlin

 

Folgen Sie der
Management & Krankenhaus

 

 

MICROSITE Gesundheits-technologie

Lesen Sie hier

Folgen Sie der
Management & Krankenhaus

 

 

MICROSITE Gesundheits-technologie

Lesen Sie hier