Das Machine Learning ist eine der revolutionärsten Technologien des letzten Jahrzehnts. Je weiter die Technologie voranschreitet und sich entwickelt, desto deutlicher werden auch ihre Auswirkungen durch die zunehmende Nutzung und Integration in zahlreichen Bereichen.

Das Gesundheitswesen ist dabei besonders wichtig. Heute nutzen Ärzte und medizinisches Fachpersonal die Möglichkeiten des Machine Learning, um Leben zu retten und zu verbessern, indem sie Krankheiten mit einer Genauigkeit und Geschwindigkeit erkennen und analysieren, die noch vor wenigen Jahrzehnten unvorstellbar gewesen wäre. Dabei hat die Krebserkennung erheblich von der Fähigkeit zur automatischen Identifizierung und Klassifizierung von Tumoren profitiert.

Doch um die Stärken des Machine Learning im Gesundheitswesen voll ausschöpfen zu können, müssen die Entwickler die Technologie in die Praxis umsetzen. Dabei gilt es jedoch große Herausforderungen zu bewältigen. In diesem Beitrag beschäftigen wir uns mit der Anwendung von Machine Learning im Gesundheitswesen, insbesondere in der Krebserkennung, und erläutern, warum dieser Bereich von Edge Computing profitiert und wie Edge Impulse diese Entwicklung möglich gemacht hat.

Machine Learning für die Krebsdiagnostik

Das wichtigste Ziel der Technologie ist es, das Leben der Menschen zu verbessern. Im Gesundheitsbereich ist dieses selbstlose Ziel wohl am greifbarsten. Besonders wenn man sich den Anwendungsfall der Krebserkennung ansieht, wird deutlich, worin der größte Vorteil des Machine Learning besteht.

In der Vergangenheit war die Krebserkennung ein aufwendiger und langwieriger Prozess, für den auch hochqualifiziertes medizinisches Fachpersonal sehr viel Zeit und Konzentration aufwenden musste. Bevor ein Eingriff vorgenommen wird, besteht der erste Schritt bei der Krebserkennung meist in diagnostischen Bildgebungsverfahren, bei denen ein Scan der verdächtigen Stelle angefertigt wird. Nach dem Scan muss ein Arzt oder Radiologe die Bilder manuell analysieren und interpretieren, um Anzeichen von Krebs zu erkennen.

Dieser Prozess kann sehr viel Zeit in Anspruch nehmen und ist anfällig für Fehler bei der menschlichen Interpretation der Bilder. Im schlimmsten Fall können der Zeitaufwand und die mangelnde Genauigkeit vermeidbare Todesfälle nach sich ziehen.

An dieser Stelle hat sich das Machine Learning als eine revolutionäre Technologie erwiesen, die das Potenzial hat, unzählige Leben zu retten. Anstelle der oben beschriebenen traditionellen Vorgehensweise kann  die Krebserkennung mithilfe von Machine Learning ganz ohne den Arzt erfolgen. Bei diesem Verfahren werden zwar immer noch Bildaufnahmen gemacht, aber statt die Ergebnisse von einem Arzt analysieren zu lassen, können die Bilder in ein Machine-Learning-Modell eingespeist werden, das für die Tumor- und Krebserkennung trainiert wurde.

Die Vorteile dieses Systems sind enorm: Erstens ist die Krebserkennung auf der Grundlage von Machine Learning wesentlich schneller als die herkömmliche Methode. Denn anstatt darauf zu warten, dass ein vielbeschäftigter Arzt die Bilder analysiert, kann ein Machine-Learning-Modell die Bilder sofort verarbeiten, sobald sie verfügbar sind. Darüber hinaus sind Bildklassifizierungsmodelle äußerst genau, wobei einige Studien¹ darauf hinweisen, dass sie genauer sind als die menschliche Erkennung. Laut Dr. Hugo Aerts von der Harvard Medical School „lassen sich mithilfe von KI Bewertungen und Aufgaben automatisieren, die bislang von Menschen durchgeführt werden, aber sehr viel Zeit in Anspruch nehmen.“

Durch den Einsatz von Machine Learning kann Krebs also schneller und präziser erkannt werden. Wenn das Leben von Menschen auf dem Spiel steht, sind sowohl Geschwindigkeit als auch Genauigkeit entscheidend – und mit Machine Learning können mehr Leben gerettet und verbessert werden. Gleichzeitig können sich medizinische Fachkräfte statt auf die Interpretation der Scans auf die Behandlungsmöglichkeiten konzentrieren, was wiederum den Patienten und dem Gesundheitssystem zugutekommt.

Der Bedarf nach Edge Computing: Technologien im Gesundheitswesen müssen überall einsetzbar sein

Das Potenzial von Machine Learning im Gesundheitswesen ist zwar enorm, aber die gegenwärtige Nutzung dieser Technologie hat noch erhebliche Defizite. Viele dieser Herausforderungen liegen in erster Linie darin begründet, dass viele Gesundheitssysteme für die Durchführung von Machine-Learning-Berechnungen auf Cloud-Computing angewiesen sind.

Machine Learning ist im Allgemeinen eine extrem rechenintensive Aufgabe, die spezielle Hardware wie GPUs oder Beschleuniger erfordert, um mit geringen Latenzen ausgeführt werden zu können. Viele Gesundheitssysteme haben jedoch keinen Zugang zu solchen Rechenressourcen. Stattdessen sind sie auf die Cloud angewiesen. Dabei werden die Scans drahtlos vom bildgebenden Gerät an ein Datenzentrum gesendet, in dem die Berechnungen durchgeführt werden.

Die Herausforderung besteht unter anderem darin, dass dafür eine robuste und leistungsfähige Netzinfrastruktur erforderlich ist. Medizinische Scans sind in der Regel extrem detailliert und hochauflösend, was bedeutet, dass dabei große Mengen an Daten anfallen. Für die Übertragung dieser Daten zu und von einem Datenzentrum sind Netzwerkinfrastrukturen mit der nötigen Bandbreite und Leistung erforderlich, die den erzeugten Datenverkehr bewältigen können.

Für gut finanzierte Krankenhäuser in Industrieländern mag dies machbar sein, aber die große Mehrheit der medizinischen Zentren weltweit verfügt nicht über diese Möglichkeiten. Wenn wir dies auf die Dritte Welt oder abgelegene Orte übertragen, kann es sogar sein, dass überhaupt keine drahtlose Konnektivität verfügbar ist. Daher ist der Einsatz von Cloud Computing für Machine Learning im Gesundheitswesen für die meisten Krankenhäuser nicht realisierbar.

Stattdessen muss im Gesundheitswesen mehr Edge Machine Learning eingesetzt werden, um diese Technologie zu demokratisieren und den Menschen überall lebensrettende Vorteile zu bieten.

Edge Impulse-Anwendungsfall: Krebserkennung

Mit Edge Impulse bringen Technologieexperten und Unternehmen wie Tiny das Machine Learning in die Praxis und machen so die Gesundheitstechnologie für die breite Masse zugänglich. Tiny arbeitet zum Beispiel an der Entwicklung von TinyML-Modellen, um die Gesundheitsversorgung und insbesondere die Krebserkennung im Edge-Bereich zu ermöglichen. Nachdem das Unternehmen viele verschiedene Wege ausprobiert hatte, um dieses Ziel zu erreichen, entschied es sich schließlich für Edge Impulse als die beste Option.

Bei der herkömmlichen Bereitstellung eines Modells für den Edge-Bereich müssen die Entwickler alle aufwendigen Aufgaben des Machine-Learning-Workflows durchführen, einschließlich der Erfassung und Kennzeichnung eines Datensatzes, der Festlegung einer Modellarchitektur, des Trainings des Modells, der Quantisierung und der Erstellung gerätespezifischer Binärdateien für das Edge-Ziel. Aus geschäftlicher Sicht ist dieser Prozess alles andere als ideal, da er einen hohen Zeitaufwand sowie Fachwissen über Frameworks wie PyTorch oder TensorFlow erfordert.

Edge Impulse ist stattdessen ein umfassendes und intuitives Tool für die Erstellung und den Einsatz von Machine-Learning-Modellen von der Datenerfassung bis hin zum Einsatz in der Praxis. Tiny nutzte Edge Impulse insbesondere für die Organisation und Kennzeichnung der gesammelten Daten sowie für das Training und die Verfeinerung der Modelle, bis sie die gewünschte Genauigkeit von 90 Prozent erreichten. Dabei profitierte Tiny von der adaptiven Verarbeitung und den schnellen Blöcken von Edge Impulse, die das Arbeiten mit Daten erleichtern und zu einem einfachen Modell führen, das auch auf ressourcenbeschränkten Chips laufen kann. Tiny konnte dann automatisch ein gerätespezifisches Binärprogramm erstellen, mit dem Machine-Learning-Inferenzen auch auf leistungsschwächeren und kostengünstigen Geräten schnell durchgeführt werden können.

Fazit

Dort, wo das Ziel der Technologie darin besteht, das Leben der Menschen zu verbessern, ist wohl keine Branche so einzigartig positioniert wie das Gesundheitswesen.

Mit dem technologischen Fortschritt und der zunehmenden Nutzung von Machine Learning hat sich das Gesundheitswesen stark weiterentwickelt, insbesondere im Hinblick auf die Krebserkennung. Allerdings gibt es immer noch erhebliche technologische Beschränkungen, die verhindern, dass diese Fortschritte von allen genutzt werden können.

Mit Edge Impulse bringt Tiny das Machine Learning im Gesundheitswesen in den Edge-Bereich, wo diese Technologie überall auf der Welt demokratisiert und genutzt werden kann. Indem Machine Learning im Gesundheitswesen in der Praxis umgesetzt wird, kann diese Technologie letztlich das Gesundheitssystem verbessern und sogar Leben retten.

Quelle

• 1. „Can Artificial Intelligence Help See Cancer in New Ways?” National Cancer Institute. Zugriff am 26. Januar 2023. https://www.cancer.gov/news-events/cancer-currents-blog/2022/artificial-intelligence-cancer-imaging.