Künstliche Intelligenz in der Augenheilkunde
Dezember 2019

Künstliche Intelligenz in der Augenheilkunde

Künstliche Intelligenz (KI) (engl. Artificial intelligence) ist ein allgemeiner Begriff, der bedeutet, dass eine Aufgabe hauptsächlich von einem Computer aus mit einem Minimum an Menschen ausgeführt werden kann. Mit anderen Worten, der Zweck der KI ist es, Computer so zu gestalten, dass sie unsere Denkweise nachahmen, und unsere Arbeitseffizienz in einem modernen, schnelllebigen Leben verbessern. Mittlerweile wurden in der theoretischen Forschung und ihrer Anwendung große Fortschritte erzielt.

KI wurde bis dato vor allem im Bereich der Robotertechnik und der Bioinformatik in unterschiedlichen Bereichen angewendet. Im Bereich der Medizin wurde eine roboterunterstützte Operation vor kurzem erfolgreich durchgeführt. Dies macht die Arbeit des Arztes präziser und effektiver. Heutzutage taucht KI vor allem im Bereich der medizinischen Untersuchungen und der bildbasierte Diagnostik auf. Hierzu konnte vor Kurzem ein Hautkrebs mit einem Computeralgorithmus diagnostiziert werden, der auf Farbbildern basierte, die mit einer herkömmlichen Kamera aufgenommen wurden. Im Bereich der Ophthalmologie wir KI vor allem bei medizinische Bildgebungsverfahren getestet. Die Anwendung konzentriert sich hauptsächlich auf Erkrankungen mit hoher Inzidenz wie diabetische Retinopathie, altersbedingte Makuladegeneration, Glaukom, Frühgeborenen-Retinopathie und Katarakte.

Prinzip der künstlichen Intelligenz

Die KI-Geräte fallen hauptsächlich in zwei Hauptkategorien: einerseits Techniken des maschinellen Lernens und andererseits Verarbeitungsmethoden für die natürliche Sprache. In der Augenheilkunde wird vor allem ersteres verwendet zum Screening- bzw. Diagnose von Erkrankungen. Maschinelles Lernen bietet Techniken oder Algorithmen, mit denen automatisch ein Modell komplexer Beziehungen erstellt werden kann, indem die verfügbaren eingegebenen Daten verarbeitet und ein Standard verallgemeinert wird. Kurz gesagt, es ermöglicht Computern, erfolgreiche Vorhersagen oder Beurteilungen zu treffen, indem vorhandene repräsentative Materialien wiederholt gelernt werden. Um ein genaues Modell bilden zu können, erfordert maschinelles Lernen oft eine große Anzahl von Daten. Diese Daten müssen von Experten vorgängig beurteilt und als solche gekennzeichnet werden. Außerdem werden einige andere Daten verwendet, um den festgelegten Algorithmus zu verifizieren. Das bedeutet, dass die Prozesse hauptsächlich zwei Teile umfassen, einen Trainingssatz und einen Validierungssatz. Daher ist es ein wichtiger Schritt, viele repräsentative Schulungsbeispiele zu sammeln. Experten markieren dann die leicht zu identifizierenden und unterscheidenden Merkmale und geben sie in den Computer ein, damit er diese erkennt und sich daran erinnern kann.

Im Moment gibt es hauptsächlich zwei Deep-Learning-Modelle mit welchen das maschinelle Lernen durchgeführt wird: das Convolutional Neural Network (CNN) und das Massive Training Artificial Neural Network (MTANN). Beides sind leistungsstarke Tools zum Identifizieren und Klassifizieren von Bildern. Im Rahmen seiner Forschung befasst sich Dr. Guber ebenfalls mit künstlicher Intelligenz, vor allem im Bereich der Auswertung von OCT (optische Kohärenz Tomographie) –Bildern.