Trainingsparcours für die KI gestalten

Mit all diesen Daten lässt sich anschließend die KI trainieren. "Zunächst müssen die verschiedenen Bilder aufbereitet und insbesondere sauber übereinandergelegt werden, damit immer der richtige Bildausschnitt in der passenden Vergrößerung miteinander verglichen wird" , sagt Debus. Dann zeigt man der KI, etwa über von Hand markierte Stellen, wo der Tumor liegt.

Anhand verschiedener Algorithmen lernt die KI dann, Tumorgewebe zu identifizieren. Am Ende des Projektes ist sie dann hoffentlich so gut geworden, dass sie allein mithilfe einer herkömmlichen MRT Tumorgewebe sowie verdächtige Stellen zuverlässig identifizieren kann. "Die drei hochauflösenden Verfahren nutzen wir also nur für das Training" , sagt Debus, "denn für den klinischen Alltag wäre das viel zu aufwendig."

Wie mit riesigen Bilddaten umgehen?

Dabei gibt es allein schon auf der Seite der Datenverarbeitung einige Schwierigkeiten zu lösen. "Speziell meine Gruppe macht sich Gedanken darüber, wie wir am geschicktesten mit den riesigen Bilddaten umgehen können" , erzählt Debus. "Gerade die hochauflösenden Verfahren liefern sehr große Bilddateien im Gigabyte-Bereich für jedes einzelne Bild, deshalb müssen wir unsere Berechnungen auf einem Supercomputer durchführen."

Nach dem Training kann die KI dann auf herkömmlichen Computern laufen und etwa radiologische Teams unterstützen. Dazu liefert die KI neben der räumlichen Verteilung des Tumorgewebes auch eine Einschätzung zum sogenannten Malignitätsgrad – also wie gefährlich ein Tumor ist. Viele Tumore müssen nicht sofort behandelt werden, weil sie nur sehr langsam wachsen. Man kann sie erst einmal beobachten und muss nicht gleich zum Skalpell greifen.