Schlussbericht zum Teilvorhaben A: Datenplattform und Daten-Layer des Verbundprojektes Ophthalmo-AI – Intelligente, kooperative Diagnose- und Therapieunterstützung in der Augenheilkunde

Abstract

Bildgebende Verfahren in der Augenheilkunde sind technologisch so weit fortgeschritten, dass sich Netzhaut- und Gefäßstrukturen im Auge hochgenau zwei-, drei- oder gar vier-dimensional darstellen lassen. Das Bildmaterial zu interpretieren und unter Berücksichtigung der Patientenhistorie eine Therapieentscheidung abzuleiten, ist jedoch anspruchsvoll und erfordert viel Erfahrung. Behandlungsfehler können fatale Folgen für Patientinnen und Patienten haben. Das Verbundprojekt »Ophthalmo-AI« hatte deshalb zum Ziel, ein intelligentes, interaktives Assistenzsystem zu schaffen, das Augenärztinnen und -ärzte mit Methoden der erklärbaren Künstlichen Intelligenz unterstützt und nachvollziehbare Diagnosen und Behandlungs-vorschläge macht. Dabei soll durch interaktives maschinelles Lernen eine effektive Zusammenarbeit von maschineller und menschlicher Expertise sichergestellt werden, um bessere Diagnose- und Therapieentscheidungen bei der diabetischen Retinopathie und der altersbedingen Makuladegeneration zu treffen. Beide chronische Augenerkrankungen stellen die Hauptursachen von Erblindung im Alter dar. Das Teilvorhaben des Fraunhofer-Instituts für Biomedizinische Technik IBMT hatte zum Ziel, eine spezielle auf die Ophthalmologie zugeschnittene Datenmanagementplattform bereitzustellen und einen Daten-Layer zu schaffen, um die benötigten klinischen Datenbestände für die Erstellung von Modellen des maschinellen Lernens (ML) in der Ophthalmologie aufzunehmen und aufzubereiten. Dabei war eine spezielle Datenintegrationsumgebung zu entwickeln, die es ermöglichte, die benötigten Bild- und Befunddaten datenschutzkonform zu erfassen, zu integrieren und für die ML-Modellerstellung aufzubereiten. Dazu sollte auf eine bereits bestehende Datenmanagementplattform des IBMT aufgebaut werden und Methoden und Verfahren zur Beurteilung und Verbesserung der Datenqualität für ML-Entwicklungen implementiert werden. Derzeitiger Stand von Wissenschaft und Technik: In der medizinischen Diagnostik und Therapiekontrolle spielt ML eine zunehmend wichtige Rolle, insbesondere in der bildgebenden Medizin. ML-Verfahren ermöglichen die automatische Extraktion relevanter Merkmale aus medizinischen Daten, was bei der Detektion und Diagnose von Erkrankungen unterstützt. Die Kombination von ML-Verfahren mit dem Expertenwissen von Medizinern zeigt vielversprechende Ergebnisse. In der medizinischen Bildgebung können ML-Algorithmen effektiv eingesetzt werden, um latente Merkmale in den Bilddaten zu erlernen und lokale Merkmale präzise zu beschreiben. Um die Transparenz und Fehlerabschätzung von ML-Modellen zu verbessern, werden verschiedene Methoden angewendet. Eine Möglichkeit ist die Visualisierung der Entscheidungsmechanismen in neuronalen Netzen mithilfe von Perturbationstechniken. Das unüberwachte Strukturlernen ermöglicht die Identifizierung latenter Merkmale in den Rohdaten, auch ohne vollständige oder lückenlose Trainingslabels. Bayes'sche Netzwerke bieten eine weitere Möglichkeit zur Verbesserung der Transparenz, indem sie bedingte Vorhersagewahrscheinlichkeiten verwenden und Wahrscheinlichkeiten mit konkreten Diagnosen verknüpfen. Dadurch kann eine präzisere Abschätzung der Wahrscheinlichkeit verschiedener Diagnosen basierend auf den extrahierten Merkmalen erfolgen. Die datengetriebene Entwicklung von ML-Verfahren in der Medizin erfordert die Extraktion umfangreicher, vorhandener klinischer Daten von Patienten aus den Primärsystemen der Versorger. Die Medizininformatik-Initiative (MII) des BMBF zielt darauf ab, Datenintegrationszentren an deutschen Unikliniken zu etablieren, um klinische Daten routinemäßig für die Gesundheitsforschung verfügbar zu machen. Es wurden Kerndatensätze spezifiziert, die für jeden Behandlungsfall in einer HL7-FHIR-Repräsentation vorgehalten werden sollen. Es werden auch föderierte Ansätze für klinikübergreifende Datenanalysen verfolgt. Es gibt verschiedene Open-Source-Lösungen wie DataSHIELD und tranSMART-Data Warehouse, die für die Datenintegration und -harmonisierung verwendet werden. Die zentrale Datenmanagementplattform XplOit basiert auf formalen Ontologien und ist speziell für die KI-Forschung in der Medizin entwickelt worden. Methode Das IBMT stellt die IT-Plattform für die Aufnahme und das Management der benötigten klinischen Datenbestände zur ML-Modellerstellung bereit, im Einzelnen: (1) Anpassung und Bereitstellung der Datenmanagementplattform XplOit zur datenschutzkonformen Aufnahme, semantischen Anreicherung und Darstellung von klinischen Daten aus der Ophthalmologie, (2) die Entwicklung und Integration von Verfahren zur Annotation und Optimierung der Daten für die ML-Aufgaben sowie (3) die Schaffung der Voraussetzungen zur Nutzung des Systems als BMBF-Vordr. 3831/03.07_2 Daten-Layer des Ophthalmo-AI Diagnose- und Therapieunterstützungssystem. Ergebnis Das IBMT hat eine optimierte, datenschutzkonforme Datenmanagementplattform XplOit für die Ophthalmologie entwickelt. Diese Plattform ermöglicht die Aufnahme und Aufbereitung von Patientendaten aus der Augenheilkunde und kann für interaktives maschinelles Lernen genutzt werden. Um die Behandlungsdaten semantisch in XplOit zu beschreiben, wurde eine projektspezifische, auf die Ophthalmologie zugeschnittene Ontologie entwickelt. Hierfür wurden insbesondere Konzepte aus der Gesundheitsterminologie SNOMED CT verwendet, um medizinische Begriffe korrekt zu benennen. Um die Daten in die Plattform zu integrieren, wurden Datenpipelines zur Extraktion und semantisch integriertem Laden der Informationen in das XplOit-Data Warehouse implementiert: (1) Pipelines zum Laden von OCT- und OCT-A-Bilddaten aus dem proprietären VOL-Format des Herstellers der OCT-Scanner, sowie (2) eine Pipeline zum Verarbeiten der Daten aus den Krankenakten im HL7-FHIR-Format. Zusätzlich zur Datenverarbeitung und -bereitstellung hat das IBMT einen OCT-Viewer implementiert und in XplOit integriert. Dieser Viewer zeigt nicht nur die OCT-Bilder an, sondern auch die zugehörigen klinischen Daten, die bei der OCT-Untersuchung und Befundung erhoben wurden. Der Viewer bietet zudem die Möglichkeit, pathologische Merkmale und Schichtgrenzen in entsprechend annotierten Bildern anzuzeigen und ermöglicht eine einfache manuelle Markierung von Pathologien in den OCT-Schnitten. Weiterhin wurde eine Datenmonitoring-Komponente in XplOit implementiert, um Ontologie-basiert semantisch fehlerhafte oder auffällige Daten vor dem Laden in das Datawarehouse zu erkennen und den Benutzern als Fehler bzw. Warnungen anzuzeigen. Zudem wurde ein Editor implementiert, um einfache Regeln zur Korrektur bestimmter Daten vor dem Laden in das Data Warehouse anzulegen. In der XplOit-Benutzeroberfläche wurde ein Dashboard implementiert, das den Benutzern der Plattform einen statistischen Überblick über die bereitgestellten Daten gibt. Das Dashboard integriert Kennzahlen zu den verfügbaren Daten und den nach Datenbereinigung extrahierten Informationen, um den Benutzern wichtige Informationen für die Nutzung der Daten zur Modellierung übersichtlich, schnell und einfach zugänglich zu machen. IBMT hat ferner das XplOit-REST-Interface weiterentwickelt, um die automatisierte Übertragung der bereitgestellten Daten, sowie der extrahierten und semantisch integrierten Informationen in angeschlossene KI-Umgebungen zu ermöglichen. Es wurde eine Synchronisationsschnittstelle für OCT-Markierungen von Pathologien, die über das Annotations-Tool des Projektpartners DFKI durchgeführt wurden, implementiert und bereitgestellt. Darüber hinaus hat das IBMT die REST-Services um eine Abfrage der Daten als integrierte Patientenakten erweitert, um XplOit zukünftig einfacher und ohne Zwischenverarbeitung direkt an die Modellausführung anbinden zu können. Bei einem deutschen Cloud-Dienstleister wurde eine skalierbare virtuelle Maschine angemietet und die modifizierte XplOit-Serveranwendung auf dieser Maschine installiert, betrieben und gewartet. Eine Community für die datenschutzkonforme Sammlung und Bereitstellung von Produktivdaten wurde angelegt und verwaltet. Nach Schaffung der datenschutzrechtlichen Grundlagen zur Verarbeitung der Patientendaten wurden in der Summe ca. 53.000 OCT-Bilddatensätze mit über einer Million Einzelbilder und ca. 1.600 Patientenakten gesammelt, aufbereitet und bereitgestellt. Weiterhin führte das IBMT eine Datenanalyse mittels AutoML-Ansätzen durch, um die Auswirkungen einer verbesserten Datenqualität auf ein Modelltraining zu bewerten. Dazu wurden nahezu alle EHR-Daten aus dem Datawarehouse exportiert, im Hinblick auf medizinische Behandlungsrichtlinien weiterverarbeitet und für experimentelle Modellentwicklungen mit AutoML-Training verwendet. Zwei Klassifikatoren wurden entwickelt, die zum einen anhand der OCT-Befunde in den Krankenakten ohne Zuhilfenahme der OCT-Scans vorhersagten, ob eine sogenannte IVOM-Spritze ins Auge appliziert wurde und wie sich die Sehschärfe entwickelt. Das Training wurde mehrfach mit aktualisierten Daten und unter Berücksichtigung verschiedener Einschränkungen in den Daten durchgeführt. Die Ergebnisse wurden analysiert und dokumentiert. Schlussfolgerung/Anwendungsmöglichkeiten Die in Ophthalmo-AI erlangten technischen und wissenschaftlichen Ergebnisse schaffen und verbessern die Voraussetzungen, um erfolgreich Datenintegrationsinfrastrukturen für KI-Entwicklungen in der Medizin bereitzustellen. Unsere Datenmanagementplattform konnte erfolgreich an das Gebiet der Augenheilkunde angepasst und gezielt um nützliche Funktionalitäten erweitert werden. Dies stärkt die Wettbewerbsfähigkeit des IBMT zur Akquisition von Anschlussprojekten.

Datei-Upload durch TIB