Machine Learning in der Medizin

Mit meinem Praktikum an der Charité Berlin erhielt ich einen Einblick in eines der wichtigsten zukunftsweisenden Forschungsgebiete der Medizin: dem Einsatz von Machine Learning für die Behandlungsunterstützung.

Ich habe neuronale Netze für die automatisierte Segmentierung des Iliosakralgelenks aus MRT Daten trainiert und erste Ergebnisse ausgewertet. Dazu habe ich mich mit Grundlagen der Bildbearbeitung, Datenaufbereitung und mit dem Aufbau von Neuronalen Netzen (NN), speziell mit dem Aufbau des U-Net beschäftigt. Mit kompetenter und zuverlässiger Unterstützung eines interdisziplinären Teams aus erfahrenen Ärzten und Physikern, konnte ich die Vorzüge und Tücken der Programmierung eines NN erkunden. Dabei sammelte ich viele wertvolle Erfahrungen und konnte mein Wissen enorm erweitern.

Machine Learning für die Auswertung medizinischer 3D-Bilddaten Das Arbeiten mit Machine Learning–basierten KI-Anwendungen wird mittlerweile in vielen Fachbereichen erfolgreich eingesetzt. Auch in der Medizin bietet KI große Potentiale zur Aufbereitung von Expertenwissen. Ärzte sollen mittels künstlicher Intelligenz dabei unterstützt werden, ihre Diagnosen effizienter und zuverlässiger zu erstellen. An der Beuth Hochschule für Technik wird dieses Thema im Fachbereich II intensiv verfolgt.

In Kooperation mit der Charité Berlin hatten wir im Fachbereich II die Möglichkeit, verschiedene Algorithmen an 3D-MRT Daten zu testen. Hier hatte ich zunächst das Ziel, eine Region of Interest (ROI), aus MRT-Schnittbildern automatisiert zu extrahieren. Aufbauend auf diesen Ergebnissen soll ein weiteres NN in diesen extrahierten Bildteilen strukturelle und entzündliche Läsionen des Knochens ausfindig machen und diese anschließend klassifizieren können.

Für solche sehr speziellen Problemstellungen braucht ein gut ausgebildeter Radiologe erfahrungsgemäß jahrelange Berufserfahrung. Mit KI wird dieses Expertenwissen allen Radiologen bereitgestellt.