Wie gut erkennt die KI Prostatakarzinome?

Kann die KI Ärztinnen und Ärzte bei der Diagnostik von Prostatakrebs unterstützen? Und wo liegen ihre Grenzen? Mit diesen Themen beschäftigt sich der Urologe und Informatiker Dr. Fabian Siegel.

Dr. Fabian Siegel: Mein Name ist Fabian Siegel. Ich bin Urologe und Informatiker und ich beschäftige mich mit KI. Ich freue mich sehr, dass ich hier vortragen darf und Ihnen die KI etwas näherbringen kann. KI ist überall. Wir werden jeden Tag von den Neuerungen der KI überrannt. Man kann mit Hilfe der KI Blumen erkennen, man kann mit KI Gesichter erzeugen von Menschen, die nie existiert haben. Ich kann wilde Bilder erzeugen. Ich kann sogar die KI fragen, was ich heute bei meinem Vortrag erzählen soll. Der Vortrag der KI war nicht so spannend gewesen, deswegen habe ich nicht umgesetzt, was sie mir vorgeschlagen hat. Was ich Ihnen aber empfehlen kann für Ihre Kinder und Enkel ist ChatGPT, die sehr schöne Ausmalbilder generieren, die dann von meinen Kindern begeistert ausgemalt werden. Wirklich ein super Geheimtipp. Was wir auch täglich sehen, jeden Tag fahren bei uns Autos durch die Straßen, die quasi alleine fahren. Sie sind wahrscheinlich seit Jahren nicht mehr Auto gefahren. Stimmt nicht, oder? De facto passiert es nicht. KI sagt häufig: „Hier, ich generiere etwas oder ich bewerte irgendetwas.“ Aber wirklich etwas ausführen lässt man KI selten, weil man häufig Angst hat, weil es zu gefährlich ist.

Wenn KI bei uns jeden Tag des Lebens durchdringt, wieso ist das in der Medizin nicht der Fall? Liegt das daran, dass Deutschland viel zu rückständig ist und 2024 immer noch Faxgeräte getestet und verkauft werden? Muss man einfach die Faxgeräte in Deutschland verbieten, so wie in Österreich? Das Ergebnis davon ist, dass sie in Österreich die Befunde erst mit dem Krankenwagen herumgeschickt haben, weil sie kein Faxgerät mehr benutzen dürfen. Das heißt, das ist wahrscheinlich auch nicht die Lösung. Faxgeräte werden benutzt, weil das eine sehr effiziente Nutzung von Übertragung ist. Ich habe ein Papier hier und plötzlich habe ich ein anderes Stück Papier hier. Es ist super einfach, es ist super effizient, es ist schwer zu toppen. Wir werden heute im Laufe das Vortrag merken, im Gesundheitssystem dreht sich viel um Effizienz. Faxen kann man mit KI. Sie können ein Fax hinschicken und bekommen eine KI-Antwort zurück. Das ist sehr beliebt. KI ist nichts neues. Ich habe nachgeschlagen, wann es die ersten Publikationen zu KI und Prostata gab. Das hat in den 80er und 90er Jahren begonnen. Schon 1992 gab es eine Publikation zur Segmentierung von Prostata-Ultraschallbildern.

Im Endeffekt ist es das gleiche, was wir heute machen. Das sah damals noch unklarer aus. Es könnte alles sein, was man darauf sieht. Aber auch hier hat die KI schon Ultraschallbilder segmentiert. Das Verfahren wurde über die Jahre verbessert. Das ist eine Publikation von 2000, da erkennt man schon mehr. Man sieht Areale, die rot sind. Das hat sich über die Jahre nicht wirklich weiterentwickelt, bis irgendwann ohne KI der Fortschritt kam, das multiparametrische Prostata-MRT. Das MRT hat in der Prostatadiagnostik den Durchbruch gebracht und uns wirklich eine gute Aussage zu der Möglichkeit gegeben, ob jemand Prostatakrebs hat oder nicht. Da gibt es Regeln, die man anwendet, relativ komplizierte Regeln, das ist hochstandardisiert. Aber eigentlich ist es so, dass das mehr Patienten bekommen sollten. Wir haben dieses Diagramm schon gesehen. Da geht es um die Altersverteilung. Es ist zu erwarten, dass viel mehr Leute in Zukunft Prostata-MRTs brauchen. Das stellt uns vor ein Problem. So ein Prostata-MRT ist teuer. Warum ist es teuer? Weil es lange dauert, weil es komplex auszuwerten ist und man eine hohe Expertise braucht, um es auszuwerten.

Ich habe immer noch die Hoffnung, dass man KI in so einem Workflow nutzen kann, um die Kosten zu senken und es mehr Menschen zu ermöglichen, ein Prostata-MRT zu bekommen. Vielleicht, um zu entscheiden: Wer braucht ein Prostata-MRT? Vielleicht kann es Durchführung beschleunigen, wenn ich KI nutze, um die Bilder aus den Robo-Daten schneller zu generieren. Vielleicht hilft KI dem Arzt, das MRT zu beurteilen und er ist schneller in der Beurteilung. Vielleicht hilft KI, den Bericht schneller zu schreiben oder hinterher zu empfehlen: Was mache ich mit den Ergebnissen? Was ist die richtige Therapieempfehlung, wenn ich etwas gefunden habe? Die KI ist immer ein wenig eine Blackbox. Deswegen möchte ich heute mit Ihnen ein Experiment machen. Ich möchte heute mit Ihnen 150 künstliche Intelligenzen trainieren, nämlich Sie. Wir machen ein einfaches Schema. Eine KI ist immer ein Klassifikationstool. Das heißt, wir trainieren eine KI. Ein Beispiel: Die KI soll in diesem Fall zwischen Bienen und Bäumen unterscheiden. Das heißt, jeder von Ihnen ist eine KI und Sie müssen zwischen Bienen und Bäumen unterscheiden.

Das funktioniert so: Ich gebe Ihnen viele Bilder und sage Ihnen, was darauf ist. Zum Beispiel hier, alle aufpassen, das ist eine Biene. Das hier ist ein Baum? Das ist auch ein Baum. Das ist auch ein Baum. Das ist eine Biene, das ist auch eine Biene. Das mache ich noch ungefähr so 10 bis 100.000 Mal. Dann haben sich alle gemerkt, was eine Biene und was ein Baum ist und können hochqualitativ Bienen und Bäume unterscheiden. Das ist angeblich eine Biene, hat Wikipedia gesagt. Für das Training brauche ich hochqualitative Daten. Das heißt, die Aufgabe von Forschern und von Ärzten ist es, hochqualitative Daten zu sammeln, diese mit guten Informationen zu versehen und der KI zur Verfügung zu stellen. Deswegen möchte ich an Sie appellieren, dass Sie Ihre Daten für die Forschung zur Verfügung stellen, damit die KI auch gut trainiert werden kann. Denn ohne diese Daten ist die KI nichts. Erst dann, sobald man alle Daten hat, mit allem Bias und mit allen Informationen. Erst dann kann man sie trainieren. Was eine KI nie gesehen hat, kann sie auch nicht wissen.

Was passiert dann? Wenn man viele Daten hat, die man überall hineinwirft, hat man immer das Gefühl, wenn man Politiker oder Vorträge hört, dass zunächst viel Magie kommt und plötzlich ein Ergebnis So ist es nicht. Deswegen ist auch KI nicht so speziell. Eigentlich ist KI nur jede Menge linearer Algebra. Im Endeffekt ist es nicht viel anders, als das, was man früher auch mit normalen statistischen Methoden gemacht hat, um Laborwerte et cetera zu berechnen. Das Neue an der KI aktuell ist nur, dass man jetzt statistische Methoden gefunden hat, auch mit Bildern umzugehen, die man vorher schwer in Zahlen und Werte fassen konnte. Jetzt machen wir einen Test. Wir haben jetzt 55 KIs trainiert. Jetzt möchte ich Sie um Mithilfe bitten, denn jetzt möchten wir einmal testen, wie gut diese KI ist. Alle bitte hereinrufen: Was sehen Sie hier? Eine Biene oder einen Baum? Richtig. Was sehen Sie hier? Nicht alle KIs haben es verstanden, aber die meisten haben gesagt: „Das ist ein Baum.“ Was ist das hier? Richtig. Was ist das hier? Sie sind eine KI, Sie können nur sagen: „Biene“ oder „Baum“. Also verständlich wäre, wenn die meisten sagen, es ist eine Biene, weil es gestreift ist. Die KI kann aber nicht „Zebra“ sagen, weil sie nie ein Zebra gesehen hat. Es ist aber zumindest verständlich für mich, dass KI am ehesten „Biene“ sagt. Denn es ist irgendwie ein Tier und es ist gestreift und so der Biene etwas ähnlich.

Jetzt wird es aber schwierig. Denn hier kann ich mir nicht überlegen, was die KI wahrscheinlich denken würde. Aber auch hier wird sie entweder sagen: „Biene“ oder „Baum“. Was herauskommt, wissen wir nicht. Es ist auch egal. Aber ich will damit sagen, was eine KI nicht kennt, kann sie auch nicht erkennen. Was ich vorher nicht erklärt habe, kann sie nicht erkennen. Ich kann es nicht interpretieren, woran es wahrscheinlich liegt. Hier kann ich interpretieren, wahrscheinlich sagt es „Biene“, weil das ein Streifen ist. Hier kann ich nichts mehr interpretieren. Das ist für mich purer Zufall, was herauskommt. Jetzt habe ich das Gleiche bei der Prostata. Ich habe hier ein Prostata-MRT, da lasse ich eine KI darüber laufen. Die KI sagt: Das ist Prostatakrebs. Stimmt das? Kann ich das überprüfen? Ich sehe es mir noch einmal genau an. Wir haben gelernt, dass es viele Gewichtungen und Regeln gibt, wie ich das nachprüfen kann. Dann finde ich heraus, dass es in dem Fall jetzt doch kein Prostatakrebs gewesen ist, das war eine gutartige Prostatavergrößerung.

Das heißt, ich habe keinen wirklichen Zeitvorteil, denn ich weiß nicht genau, wie die KI das herausgefunden hat, was passiert ist oder was darin steckt. Das ist ein Problem, denn ich spare keine Zeit, wenn ich die Information hinterher überprüfen muss. Man hat zum Beispiel beim Hautkrebs gute Untersuchungen gemacht. Man hat herausgefunden, dass die KI Hautkrebs häufig an den Linealen erkennt, die auf den Trainingsdaten abgebildet sind. Denn bei Bildern von Hautkrebs sind viel häufiger Lineale zu sehen. Man hat auch herausgefunden, dass ein Hautkrebs anders erkannt wird, wenn das Bild auf dem Kopf steht, zum Beispiel, oder wenn er links oder rechts herumgedreht ist. Das heißt, die Aufgabe von Forschern ist es, die Daten so zu kuratieren und zu trainieren, und alle Eventualitäten einzuschließen, dass man die KI verwenden kann und nicht in irgendwelche Fallen tappt.

Die KI will immer ein Ergebnis liefern. Ein Beispiel: Ich habe die KI, bevor ich hergefahren bin, gefragt: „Kannst du mir etwas über das Kieler Wahrzeichen, den Zuckerhut, erzählen?“ Da kam ein langer Text, in dem steht, der Zuckerhut ist ein bekanntes Wahrzeichen, steht in Düsternbrook, da fährt man am Wochenende immer hin, mit den Kindern in die Natur. Das ist so gut beschrieben, dass ich erst einmal gegoogelt habe, ob es vielleicht wirklich zufälligerweise ein Wahrzeichen gibt, das Zuckerhut heißt. Ich wollte mich auch nicht blamieren, wenn ich einen echten Zuckerhut gefunden hätte. Aber das Wahrzeichen gibt es nicht. Die KI will Ergebnisse liefern, weil sie darauf trainiert ist, Ergebnisse zu liefern. Sie sagt einem auch nicht, wie sicher sie ist. Genauso ist es, wenn man KI verwendet, zum Beispiel in der Anwendung der verbesserten Bilder. Es kommt vor, dass die KI einfach Sachen erfindet. Das ist sehr schwer zu überprüfen und ein großes Problem. Wie gehen wir jetzt damit um? Denn KI ist offensichtlich ein Benefit, den wir nutzen wollen. Wir versuchen, KI erklärbar zu machen. In dem Fall sagen wir nicht „Krebs, ja oder nein“, sondern wir sagen: „Sag mir doch mal, was du gefunden hast.“ Und vor allem: „Wo du es gefunden hast?“ Dann kann ich als Arzt sagen: „Ja, das finde ich auch.“ Ist das verständlich?

Es zeigt jetzt nicht unten auf die Hüfte, die zum Beispiel operiert worden ist, – dass das vielleicht eine Regel dafür gewesen ist, sondern ich sage: „Okay, das ist plausibel, das kann ich nachvollziehen“, und dann kann ich als Arzt damit schneller arbeiten und sagen: „Das stimmt auch, was die KI gesagt hat.“ Ich sage dann: „Hier sind jede Menge Ausschläge auf die eine Seite. Es ist mit einer hohen Wahrscheinlichkeit bösartig. Vor allem an der Stelle.“ Genauso gibt es hier etwas gemischtes. Das ist eher was Bösartiges, hier eher etwas Gutartiges. In der Summe entscheidet man sich dafür, dass das insgesamt am ehesten gutartig ist. Als Arzt hat man die Möglichkeit, zu sagen: „Okay, dem traue ich nicht so ganz. Ich schaue mir das eine noch mal genauer an.“ Dann habe ich einen echten Geschwindigkeitsvorteil und einen echten Vorteil für den Patienten, weil ich keine Sorge mehr haben muss, dass vielleicht der Arzt was übersieht, weil er müde ist, sondern er ist unterstützt von der KI und gleichzeitig ist die KI aber auch keine komplette Blackbox, die ich nicht mehr verstehen kann.

Ich wollte auch einen Vortrag über Therapie mit KI halten. Was ist mit der Therapie? Es ist wie bei den Autos. Die Diagnostik ist einfach. Bei der Diagnostik kann ich immer einen Menschen dazwischenschalten, der sagt: „Ja, finde ich auch so, finde ich gut.“ Wie beim Auto: Auf einer Straße fahren nicht relevant viele selbstfahrenden Autos herum. Warum? Weil ich immer einen Menschen haben muss, der im Notfall eingreifen muss. Bei der KI ist es genauso. Die meiste Unterstützung bei der KI ist in der Vorbereitung der Therapie. Wenn ich sage, ich mache einen Algorithmus, der mir sagt, ich habe einen Schwellenwert, „Ich muss den Patienten so oder so behandeln“, oder „Ich kann die Therapien einschränken, zum Beispiel, die beste Therapie auswählen“. Letztendlich bleibt die Verantwortung für die Therapie immer beim Arzt. Auch die Verantwortung für die Kontrolle bleibt immer beim Arzt. Das heißt, es ist sehr schwierig, eine Therapieempfehlung durch die KI geben zu lassen, die sofort umgesetzt wird. Im Endeffekt ist es eine erweiterte Diagnostik, die zur Therapieempfehlung führt. Das gibt es zum Beispiel im aktuellen Rahmen von Forschungsprojekten- Man kann die KI fragen: „Wo schneide ich bei der OP am besten entlang, so dass ich die Nerven möglichst erhalten kann und trotzdem den Krebs nicht erwische?“
Es ist aus rechtlichen Gründen, aber auch aus ethisch-moralischen Gründen so, dass man versuchen muss, nicht blind das zu tun, was die KI sagt, sondern selbst entscheiden, Arzt und Patient zusammen. 
Das führt mich zum Fazit, das ich wirklich direkt von ChatGPT kopiert habe, denn das fand ich gut. Die Vorteile sind: Wir gewinnen Geschwindigkeit durch KI und können deswegen eventuell unnötige Eingriffe reduzieren, weil wir die Risiken besser einschätzen können. Eine KI ist eindeutig eine Unterstützung des Arztes, aber sie entscheidet nicht und ersetzt vor allen Dingen den Arzt nicht. 
Ich denke, keiner hier im Raum möchte, dass KI das Gespräch zwischen Arzt und Patienten ersetzt, denn nur der Arzt kann wirklich auf den Patienten eingehen und umgekehrt. So kann man sich zusammen im Team entscheiden. Ein Problem bei KI ist, dass wir riesige Datenmengen brauchen. Es ist nicht einfach, Daten zu sammeln ohne private Informationen preiszugeben. Der Datenschutz ist ein großes Forschungsfeld, an dem ich mich auch beteilige. Wir prüfen, wie wir den Datenschutz einhalten, dass, wenn Sie Ihre Daten für die Forschung herausgeben, nicht in drei Wochen später Ihre persönlichen Daten irgendwo im Internet stehen oder auf Sie Rückschlüsse gezogen werden können.

Gerade, wenn man Daten sammelt, wenn man mit Daten arbeitet, zum Beispiel in Ländern, wo der Datenschutz niedriger ist, hat man einen Mediziner-Bias, eine Einschränkung der Daten. Wenn ich Daten nur an indischen Patienten trainiere, habe ich wahrscheinlich eine andere Aussage der Kraft von diesen Algorithmen, als wenn ich sie in Italien oder Frankreich trainieren würde. Die KI gilt nur bei der ähnlichen Patientengruppe, mit der sie trainiert worden ist. Auch Ärzte müssen lernen. Wenn der Arzt das Korrektiv sein soll und ich ihm Informationen nehme, weil ich ihn nie ein MRT anschauen lasse, kann er die KI hinterher nicht mehr korrigieren und sagen: „Das finde ich anders. Meine Erfahrung zeigt, es wäre besser, wenn du das nicht so entscheiden würdest.“ Vielen Dank.

Moderator: Herzlichen Dank, Herr Dr. Siegel. Ja, der Düsternbrooker Hügel, spannend, was man da alles bei KI erfährt. Ich hatte auch mal meinen Namen eingegeben. Da war es genauso spannend, was ich alles in meinem Leben gemacht habe. War mir gar nicht so bewusst. Meine Damen und Herren, bevor es in die Pause geht. Eine kurze Frage, Herr Dr. Siegel, die gestellt worden ist. Wieviel besser ist die KI-gestützte Bestrahlungstherapie beim Prostatakarzinom?

Dr. Fabian Siegel: Das ist eine aktuelle Frage, weil das kürzlich in den Nachrichten angekommen war. Auch hier ist es so: Die KI ist ein Tool zur Effizienzsteigerung des Arztes. Die KI ist dafür da, dass die Bestrahlungsregion schneller eingezeichnet werden kann, sogar noch live, während der Patient im Bestrahlungsgerät liegt. Dadurch kann man die Geschwindigkeit steigern. Die Bestrahlung wird dadurch nicht notwendigerweise besser, sondern sie wird vielleicht dadurch besser, weil man sie schneller einzeichnen kann. Ob das einen Vorteil bringt für das Ergebnis der Bestrahlung, das müssen Sie den Strahlentherapeuten heute Nachmittag fragen. Von der reinen KI her wird es nur schneller. Schneller kann besser sein, man macht ein CT, dann wartet man eine halbe Stunde im Bestrahlungsgerät, bis es eingezeichnet ist. Dann wackelt man nicht so sehr herum und dann ist die Bestrahlung wahrscheinlich ein bisschen genauer. Aber das muss man noch nachweisen, dass das bei der Bestrahlung auch der Fall ist. Es gibt gute Hinweise, aber es ist nicht per se besser.

Moderator: Alles klar. Herr Dr. Siegel, ich danke Ihnen ganz herzlich. Danke Ihnen für den Besuch in Kiel und eine gute Heimreise zurück nach Mannheim.

Dr. Fabian Siegel: Vielen Dank.