Künstliche Intelligenz und Komaprognosen

Künstliche Intelligenz in der Komaprognose

Neue Fortschritte dank Schweizer Forschungsteam

Eine Methode zur Prognose von Komapatienten ist die Durchführung von Elektro-Enzephalogramm (EEG)-Analysen. Anhand dieser werden Diagnosen bezüglich Komapatienten und Komapatientinnen gestellt, welche die Grundlage über lebensverlängernde Urteile von Komapatienten bilden.

Neuere Erkenntnisse aus Deep-Learning-Netzwerken deuten darauf hin, dass die künstliche Intelligenz die Erstellung von Komaprognosen anhand des EEGs erleichtern könnte. 

Nur konnte man aus den bisherigen Deep-Learning-Netzwerken nicht herausfinden, wie die Entscheide des Systems geformt werden. Deshalb setzte sich ein Forscherteam, zusammengesetzt aus Forschenden des Schlaf-Wach-Epilepsiezentrums der Universitätsklinik für Neurologie in Bern, der Intensivmedizin des centre hospitalier universitaire vaudois in Lausanne und der Computer Vision Group der Universität Bern mit dieser Problemstellung auseinander. 

Was sind Deep-Learning-Netzwerke

Deep-Learning-Netzwerke sind Teil der Machine-Learning-Ansätze.

Im Grunde erhält bei den Machine-Learning-Ansätzen ein System Daten (beispielsweise EEG-Aufzeichnungen) und erstellt dann anhand von Mustern eine für die Fragestellung relevante Prognose. 

Diese Muster werden nicht durch Personen bestimmt, sondern innerhalb der vorgegebenen Trainingsdaten mittels komplizierter Prozesse vom Deep-Learning-Netzwerk als relevant eingestuft und daher für die Prognose herangezogen. 

Problemlage: Interpretation der Deep-Learning-Netzwerke

Deep-Learning-Systeme haben generell mit dem Blackbox-Problem zu kämpfen: Man kann zwar mit Deep-Learning-Systemen präzise Prognosen erhalten -  nur ist aber nicht immer klar, anhand welcher Regeln diese Prognose geformt wurde. 

Dies stellt ein potentielles Problem dar, wenn Systeme je nach Trainingsdaten andere Regeln entwickeln und diese Regeln schlussendlich sich nicht auf alle Personen anwenden lassen können. 

Deshalb versucht man in der Wissenschaft die Entscheidungsprozesse von Machine-Learning-Systemen zu entschlüsseln und gegebenenfalls zu visualisieren.

Visualisierung der relevanten EEG-Merkmale

Experten von verschiedenen Fachbereichen des Universitätsspitals Bern, des Inselspitals und des Centre hospitalier universitaire vaudois CHUV untersuchten 267 EEG-Analysen und setzten zur Analyse ein neurales Netzwerk als eine Form von Machine-Learning-Verfahren ein.

Dank eines Algorithmus konnten die Forschenden jene Abschnitte des EEGs herausfinden, welche bei der Prognoseerstellung durch das System relevant waren. Diese Muster konnten zudem visualisiert und mit den Prognoseentscheiden von Experten verglichen werden.

Das neurale Netzwerk zog im Vergleich zu Neurologen und Neurologinnen zumeist die gleichen für die Experten relevanten EEG-Muster zur Entscheidung über die Komaprognosen. Dies bietet einen Hinweis darauf, dass die Regeln des Deep-Learning-Prozesses valide und nachvollziehbar sind. 

Die Resultate dieser Studie könnten somit den Einsatz von künstlicher Intelligenz im medizinischen Kontext begünstigen.  

Quellen:

https://bit.ly/2D66qrx

https://bit.ly/35phmwj