Künstliche Intelligenz in der Hals-Nasen-Ohren-Heilkunde
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Übersichten
HNO 2022 · 70:87–93
https://doi.org/10.1007/s00106-021-01095-0
Angenommen: 26. Mai 2021
Künstliche Intelligenz in der Hals-
Online publiziert: 10. August 2021
© Der/die Autor(en) 2021 Nasen-Ohren-Heilkunde
Stefan P. Haider1,2 · Kariem Sharaf1 · Philipp Baumeister1 · Christoph A. Reichel1
1
Klinik und Poliklinik für Hals-Nasen-Ohrenheilkunde, LMU-Klinikum, München, Deutschland
2
Department of Radiology and Biomedical Imaging, Section of Neuroradiology, Yale School of Medicine,
New Haven, USA
Zusammenfassung
Hintergrund: Die fortschreitende Digitalisierung ermöglicht zunehmend den Einsatz
von künstlicher Intelligenz (KI). Sie wird Gesellschaft und Medizin in den nächsten
Jahren maßgeblich beeinflussen.
Ziel der Arbeit: Darstellung des gegenwärtigen Einsatzspektrums von KI in der
Hals-Nasen-Ohren-Heilkunde und Skizzierung zukünftiger Entwicklungen bei der
Anwendung dieser Technologie.
Material und Methoden: Es erfolgte die Auswertung und Diskussion wissenschaftlicher
Studien und Expertenanalysen.
Ergebnisse: Durch die Verwendung von KI kann der Nutzen herkömmlicher
diagnostischer Werkzeuge in der Hals-Nasen-Ohren-Heilkunde gesteigert werden.
Zudem kann der Einsatz dieser Technologie die chirurgische Präzision in der Kopf-Hals-
Chirurgie weiter erhöhen.
Schlussfolgerungen: KI besitzt ein großes Potenzial zur weiteren Verbesserung
diagnostischer und therapeutischer Verfahren in der Hals-Nasen-Ohren-Heilkunde.
Allerdings ist die Anwendung dieser Technologie auch mit Herausforderungen
verbunden, beispielsweise im Bereich des Datenschutzes.
Schlüsselwörter
Robotik · „Machine-Learning“ · Mehrschichtiges Lernen · Big Data · Kopf und Hals
Künstliche Intelligenz (KI, „artificial intel- tung und wirtschaftliche, soziale und öko-
ligence“, AI) wird als die größte treiben- logische Potenziale“ dieses zentrale The-
de Kraft in der Digitalisierung angesehen, ma unserer Zeit aufgegriffen. Nach knapp
welche mit dem Schritt von der „rechnen- zweijähriger Arbeit wurde nun der acht-
den“ zur „kognitiven“ Informatik die Welt hundert Seiten lange Abschlussbericht der
noch schneller und umfassender verän- Kommission veröffentlicht [8]. In intensiver
dern wird als die bisherige digitale Revolu- Zusammenarbeit der Parlamentarier mit
tion: Zusätzlich zu vorprogrammierten Ab- Sachverständigen aus Wissenschaft und
läufen ermöglicht KI zur Problemlösung ei- Technik wurden darin verschiedenste Teil-
ne zunehmende Lernfähigkeit („Machine- bereiche der KI erörtert und Handlungs-
Learning“, s. unten), Selbstständigkeit und empfehlungen ausgesprochen. In deren
Interaktivität digitaler Systeme und Ma- Zentrum steht, diese Technologie auf Wohl
schinen. Es wird deshalb erwartet, dass und Würde des Menschen auszurichten
diese Technologie tiefgreifenden Einfluss und zum gesellschaftlichen Nutzen einzu-
auf unsere Gesellschaft nimmt und damit setzen. Zur Vermeidung von Risiken auto-
neben großen Möglichkeiten auch ernst- matisierter Entscheidungen durch KI müss-
zunehmende Herausforderungen verbun- ten die der Entscheidungsfindung zugrun-
den sind. de liegenden Prozesse jedoch transparent,
Aus diesem Grund hat der Deutsche nachvollziehbar und durch den Menschen
Bundestag im Juni 2018 mit der Einset- überprüfbar sein. So sollte es gelingen, das
zung der Enquete-Kommission „Künstliche enorme Potenzial von KI für unsere Gesell-
QR-Code scannen & Beitrag online lesen Intelligenz – Gesellschaftliche Verantwor- schaft gewinnbringend auszuschöpfen. In
HNO 2 · 2022 87
Übersichten
Mit dem stetigen Anstieg an verfüg-
barer Computerrechenleistung erlangte
in den vergangenen Jahren dabei ins-
besondere die ML-Algorithmusklasse der
sog. künstlichen neuronalen Netzwerke
(KNN, „artificial neural networks“, ANN)
eine herausragende Stellung. KNN sind
Modelle der Informationsverarbeitung,
welche in ihrer Struktur, in ihrer elemen-
taren Vernetzung und im weitesten Sinne
in ihrer Funktionalität biologischen Neu-
ronennetzwerken nachempfunden sind
(. Abb. 2; [20]). Besonders hervorzuhe-
ben ist das sog. mehrschichtige oder tiefe
Lernen (Deep Learning), welches eine
Abb. 1 8 Darstellung und Vernetzung einiger Grundbegriffe zur künstlichen Intelligenz (KI). Große Untergruppe von KNN bildet und sich
Datenmengen (Big Data) sind nicht selten die notwendige Grundlage zur Entwicklung neuer KI-Sys- durch eine besonders komplexe Modell-
teme, insbesondere bei lernender KI. Gleichzeitig ist bei immer größeren Datensätzen und steigen-
architektur auszeichnet. Diese Architektur
der Datenkomplexität oft nur durch KI die Analyse (z. B. Mustererkennung) und Aufbereitung effizient
möglich. Die klinische Medizin ist gleichzeitig Profiteur (verbesserte Diagnostik, Prognostik usw.) und erlaubt es, analytisch multidimensionale
Generator der Daten und damit Grundlage für die Entwicklung und Erprobung neuer KI-Systeme Sachverhalte zu erfassen und somit na-
hezu jeden Hypothesenraum abzubilden.
diesem Zusammenhang wurde an vorders- rung – beispielsweise in medizinischen In- Mehrschichtiges Lernen ist rechenleis-
ter Stelle die Bedeutung von KI für die Pa- formationssystemen – immer besser ver- tungsintensiver und unter bestimmten
tientenversorgung durch uns Ärzt*innen fügbar werden. In der Hals-Nasen-Ohren- Umständen leistungsstärker als normale
genannt. Doch welchen Stellenwert besitzt Heilkunde betrifft dies derzeit neben allge- KNN [7, 8, 20]. Dennoch wird „konventio-
KI in unserem ärztlichen bzw. HNO-ärztli- meinen Patientendaten v. a. radiologische, nelles“ ML, welches in Abgrenzung zum
chenHandeln? Dieser Übersichtsartikel soll audiologische und fotografische Befunde Deep Learning manchmal als „Shallow
seinen Leser*innen einen Überblick über sowie Videoaufnahmen von Untersuchun- Learning“ bezeichnet wird, auch heute
bisherige Entwicklungen und zukünftige gen und Operationen [26]. noch häufig zur Analyse medizinischer
Perspektiven dieser neuartigen Technolo- Um diese wachsenden Datenmengen Daten eingesetzt; nämlich insbesondere
gie in unserem Fachgebiet verschaffen. und komplexen Datenstrukturen weiter dann, wenn die Komplexität der Daten
verarbeiten zu können, haben sich im oder die Größe des Datensatzes das Trai-
Terminologie medizinischen Bereich Machine-Learn- ning eines Deep Learning-Modells nicht
ing(ML)-Anwendungen etabliert. Unter erfordert bzw. erschwert. Konventionelle
Zusammen mit dem Begriff KI sind be- dem Überbegriff der KI nimmt ML eine Algorithmen arbeiten mit vordefinierten
reits weitere Fachausdrücke Teil unseres Sonderposition ein: Während KI sämtliche Eigenschaften („Features“) während Deep
Sprachgebrauchs geworden (. Abb. 1). So Systeme der digitalen Datenverarbeitung Learning-Modelle Features erlernen kön-
bezeichnet der Terminus Big Data große umfasst, welche menschliche Intelligenz nen (s. Beispiel unten). Gebräuchliche
Mengen an Daten verschiedenster Art und und Fähigkeiten nachahmen, zeichnet sich „konventionelle“ ML-Algorithmen sind
unterschiedlichsten Ursprungs. Sie zeich- ML durch selbstständige „Lernfähigkeit“ etwa „Random-Forest-“, „Xgboost-“ und
nen sich durch die definierende Eigen- aus: Hier kommen Computer-Algorith- „Support Vector Machine-Algorithmen“
schaft aus, in Umfang und Komplexität men zum Einsatz, welche Muster und [7].
die Möglichkeiten der manuellen Erfas- Gesetzmäßigkeiten in Datensätzen erken- Bildgebende Verfahren bieten ein
sung und Validierung sowie konventio- nen, somit anhand von Trainingsdaten besonders großes Potenzial für KI-An-
nellen Verarbeitung und Analyse zu über- „intelligente“ Funktionalität selbststän- wendungen. In radiologischen Untersu-
steigen. KI-Systeme ermöglichen nicht nur dig erwerben und in hochdimensionalen chungen werden deshalb zunehmend
die Verarbeitung enormer Datenmengen mathematischen Modellen zur Lösung sog. Radiomics-Analysen durchgeführt,
in konstanter Qualität, sondern auch die komplexer Problemstellungen vereinen welche die herkömmliche qualitativ-visu-
Erkennung komplexer Beziehungen und können [7, 9]. Unter KI fallen dagegen elle Interpretation der Bildgebung durch
Muster in Daten, welche dem menschli- auch Systeme, die „lediglich“ vorpro- eine möglichst umfassende Extraktion
chen Gehirn oder konventioneller statisti- grammierte, von Experten festgelegte zahlreicher quantitativer Marker ergänzt
scher Auswertung nicht im selben Ausmaß Funktionalität umsetzen, ohne die für [9]. Erfasst werden hierbei unter anderem
zugänglich wären. Ein Beispiel hierfür sind ML charakteristische „Lernfähigkeit“. KI Form, Intensität und Textur eines defi-
die im medizinischen Bereich täglich ge- und ML werden in zunehmendem Maße nierten Bildareals, wie z. B. eines Tumors.
nerierten patientenbezogenen Daten, wel- auch in der Hals-Nasen-Ohren-Heilkunde Mithilfe dieser sog. Radiomics-Features
che durch die fortschreitende Digitalisie- eingesetzt (s. unten). erfolgen dann die (ML-)Analysen. Eine
88 HNO 2 · 2022
„Cerumen“, „Trommelfellretraktion“ oder
„akute Otitis media“) mithilfe eines Deep-
Learning-Algorithmus zugeordnet. Das
beste Modell erzielte dabei eine Korrekt-
klassifikationsrate von 88,7 % (Sensitivität
von 86,1 % und positiver prädiktiver Wert
von 90,9 % [Durchschnittswerte aller Dia-
gnosen]), was einer präziseren Beurteilung
als durch den Menschen entsprach [23].
Darüber hinaus werden derzeit ML-Mo-
delle entwickelt, welche – basierend auf
verschiedenen audiologischen Variablen –
das Hörergebnis nach einem akuten Hör-
sturz (Remission vs. dauerhafte Hörmin-
derung) vorhersagen sollen [3]. Im neuro-
otologischen Bereich wurden KI-Systeme
zur Nystagmus-Detektion bei der Lage-
rungsprobe eingesetzt. Dies erlaubte bei-
spielsweise beim benignen paroxysmalen
Lagerungsschwindel eine Deep-Learning-
Abb. 2 8 Schematische Darstellung der Funktionsweise von Deep-Learning-KI-Systemen. Als Einga- gestützte Identifikation des betroffenen
bedaten können beispielsweise radiologische Befunde, klinische Daten in Textform oder Fotomaterial Bogengangs [22].
fungieren (a). Ein ML-Algorithmus (b) nimmt auf Basis von Trainingsdaten die „intelligente“ Integra-
tion von prädiktiven Variablen in das KI-System vor. Abhängig von der Konfiguration des Systems kann Eine große Herausforderung bei der
verschiedenartige „intelligente“ Funktionalität (c; beispielsweise Risikostratifizierung, Klassifikations- Entwicklung und Anpassung von Hör-
aufgaben oder Befundung) erreicht werden. Das mittig visualisierte KNN-Modell entspricht einem geräten ist die suffiziente Verbesserung
mehrlagigenPerzeptron(„multilayerperceptron“,eineinfaches KNN),wobei jederKreis einkünstliches des Sprachverstehens in Hörumgebungen
Neuron repräsentiert. Die Daten (z. B. verschiedene Radiomics-Marker) werden in separate Neurone mit Störgeräuschen. Ein neuartiger Deep-
des Input Layer (rot) eingespeist; die Aktivierung der Neurone der Hidden Layers (grau) kann durch ge-
wichtete Kombination der jeweils vorgeschalteten Neurone errechnet werden – die schwarzen Linien Learning-basierter Sprachfilter wurde an
repräsentieren also künstliche Synapsen; nach Durchlaufen aller Layer ist das Ergebnis den Neuronen 640.000 Stimuli trainiert und anhand
des Output Layer (grün) zu entnehmen (z. B. könnte ein Neuron HPV-Positivität, und ein zweites HPV- zehn Normalhörender und zehn Personen
Negativität eines oropharyngealen Tumors anzeigen). HPV Humane Papillomviren mit sensorineuralem Hörverlust getestet.
Durch diese Technik konnte bei beiden
Weiterentwicklung dieser konventionel- KI in der Otologie und Gruppen eine signifikante Verbesserung
len Radiomics-Analysen sind „explorative“ Neurootologie des Sprachverstehens in störgeräusch-
Radiomics-Analysen, in welchen unter- behafteten Testsequenzen nachgewiesen
schiedlichste Radiomics-Features durch Im otologischen Bereich wurde KI bereits werden [4]. Insbesondere in neuen, un-
KNN in den vorliegenden Bilddaten direkt zur automatisierten Beurteilung radiolo- bekannten Hörumgebungen erscheint
„erlernt“ und anschließend ausgewertet gischer Befunde eingesetzt. In diesem Zu- die Deep-Learning-Technologie gegen-
werden [20]. sammenhang konnte eine Deep Learning- über herkömmlichen Störgeräusch-Filtern
Die folgenden Abschnitte unseres Ar- Analyse von 1147 Felsenbein-Computerto- vorteilhaft.
tikels bieten einen Überblick zum Einsatz mographien (CT) bei der Unterscheidung
von KI in verschiedenen Teilbereichen zwischen Normalbefund, chronischer KI in der Kopf-Hals-Onkologie
der Hals-Nasen-Ohren-Heilkunde. Hier- Schleimhauteiterung und chronischer
bei werden schwerpunktmäßig Arbeiten Knocheneiterung/Cholesteatom eine Kor- Die ersten Studien zu KI in der Kopf-
mit potenzieller Bedeutung für unsere rektklassifikationsrate von 76,7 % erzielen Hals-Onkologie beschäftigten sich zu-
tägliche klinische Arbeit vorgestellt. Für (Sensitivität von 75 %: chron. Schleimhau- nächst mit dem Einsatz von Radiomics
eine umfangreiche Auflistung sämtlicher teiterung, 76 %: chron. Knocheneiterung zur radiologischen Bestimmung histo-
ML- und KI-Arbeiten mit Relevanz für die und 79 %: Normalbefund). Ähnliche Er- pathologischer Eigenschaften von Tu-
Hals-Nasen-Ohren-Heilkunde sei auf die gebnisse erbrachte die Befundung des moren des oberen Luft-Speise-Wegs.
englischsprachige Übersichtsarbeit unter Bildmaterials durch Radiolog*innen und Unter Beteiligung der Autoren dieses
Referenz [29] verwiesen, welche unter HNO-Ärzt*innen [31]. Artikels wurden in diesem Zusammen-
anderem auch (experimentelle) Arbei- In einer weiteren Studie wurde die KI- hang ML-Modelle zur Einschätzung der
ten zu KI-Analyse und -Verarbeitung von gestützte Begutachtung von Trommelfell- Vergesellschaftung von oropharynge-
elektrischen Biosignalen (EEG, EMG) und befunden erprobt. Dabei wurden 1366 alen Plattenepithelkarzinomen mit einer
„-omics“-Daten (Genomics, Transcripto- ohrmikroskopische Aufnahmen 14 unter- Humanes-Papillomavirus(HPV)-Infektion
mics) beinhaltet [29]. schiedlichen Befundkategorien (wie z. B. entwickelt [10]. Diese Radiomics-Analysen
HNO 2 · 2022 89Übersichten
umfassten fünf Fluordesoxyglukose(FDG)- schließend mit dem histopathologischen zen im Hinzuziehen von PET-CT-Radio-
Positronenemissionstomographie(PET)- Untersuchungsergebnis (benigne Läsion mics-Markern im Vergleich zur alleinigen
CT-Datensätze von Patient*innen der Yale vs. Leukoplakie vs. maligne Neoplasie) Zuhilfenahme der UICC-Staging-Klassifika-
School of Medicine (New Haven, USA) so- verglichen. Dabei schnitt das KI-System tion bezüglich der Prognostik von Gesamt-
wie weiterer Institutionen in Kanada und kategorieübergreifend signifikant besser überleben, progressionsfreiem Überleben
in den USA, bei welchen insgesamt 2248 ab als der Mensch (Korrektklassifikations- [12] und lokoregionärer Tumorprogressi-
Bildareale von 435 Primärtumoren und 741 rate von 94 vs. 62 %) [25]. on [11] bei Patient*innen mit HPV-asso-
metastatischen Lymphknoten untersucht Das Vorliegen eines kapselüberschrei- ziierten und nicht-HPV-assoziierten Oro-
wurden. Nach Extraktion von jeweils 1037 tenden Tumorwachstums bei Lymphkno- pharynxkarzinomen. Da das UICC-Staging
PET- und CT-Radiomics-Markern wurden tenmetastasen („extranodal extension“, auf ärztlicher Einschätzung beruht, ist für
durch Kombination verschiedener ML- ENE) kann radiologisch oftmals nicht mit solche und ähnlich KI-Systeme „mensch-
Algorithmen 360 Kandidatenmodelle ge- ausreichender Sicherheit diagnostiziert licher Input“ notwendig („human in the
neriert. Der beste Ansatz vereinte dabei werden. Mithilfe explorativer Deep-Learn- loop AI“).
mithilfe eines Xgboost-Algorithmus PET- ing-basierter Radiomics-Analysen wurden Eine häufig bei der Behandlung von
und CT-Primärtumor-Radiomics-Features 655 zervikale Lymphknoten eines CT-Da- Kopf-Hals-Karzinomen auftretende Ne-
und erreichte AUC-Werte („area under the tensatzes in drei verschiedene Kategorien benwirkung ist die strahlentherapieindu-
receiver operating characteristic curve“; (benigne, metastatisch ENE-positiv, me- zierte Schädigung der Kopfspeicheldrü-
0,5 entspricht einer zufälligen und 1,0 tastatisch ENE-negativ) klassifiziert [16]. sen. Auf Grundlage prätherapeutischer
einer perfekten Klassifikation) von 0,78 im Eine Validierungsstudie [17] erzielte un- Radiomics-Marker von Ohr- und Unterkie-
Trainingsdatensatz und 0,77 im unabhän- ter Benutzung dieses KI-Algorithmus AUC- ferspeicheldrüsen in der CT-Bildgebung
gigen Testdatensatz (Sensitivität von 73 % Werte von bis zu 0,90 (Sensitivität von 0,82, lässt sich nun auch eine Vorhersage zur
und positiver prädiktiver Wert von 88 % im Spezifität von 0,91) für die ENE-Detektion. Ausprägung der posttherapeutischen Xe-
Testdatensatz). Folglich könnten derartige Bei der Detektion von Metastasen wurde rostomie treffen [30]. Mithilfe derartiger KI-
KI-Strategien das Potenzial zur nichtinva- eine AUC von 0,91 erreicht (Sensitivität Applikationen könnte folglich eine weite-
siven Bestimmung der HPV-Assoziation von 0,84, positiver prädiktiver Wert von re Individualisierung radiotherapeutischer
oropharyngealer Plattenepithelkarzino- 0,88) [16]. Die computergestützte Ana- Maßnahmen möglich werden.
me besitzen. Auf ähnliche Art und Weise lyse der CT-Befunde war damit präziser
wurde gezeigt, dass auch Magnetreso- als die Auswertungen durch den Men- KI in der Rhinologie
nanztomographie (MRT)-Radiomics- [28] schen [17]. Ähnliche Ergebnisse konnten
und DWI-MRT-Marker [24] als HPV-As- in Radiomics-Texturanalysen von Dual- Auch für den Bereich Nase und Nasen-
soziations-Prädiktoren fungieren können. Energy-CT-Untersuchungen hinsichtlich nebenhöhlen (NNH) befinden sich radio-
Des Weiteren konnte die Arbeitsgruppe der Differenzierung von Normalbefun- logisch-diagnostische KI-Applikationen in
um Chen [5] einen Zusammenhang zwi- den, Plattenepithelkarzinommetastasen, der Entwicklung. In ersten Studien wurden
schen PET-Radiomics-Features und der Ex- Lymphombefall oder entzündlicher Ver- Deep-Learning-Algorithmen zunächst zur
pression des Immuncheckpoint-Moleküls änderung zervikaler Lymphknoten erzielt Diagnostik der Sinusitis maxillaris anhand
„programmed death-ligand 1“ (PD-L1) werden [27]. konventioneller Röntgenaufnahmen in
in Kopf-Hals-Plattenepithelkarzinomen Mit Abstand am meisten Beachtung okzipitomentaler Projektion erprobt. Die
nachweisen. Schließlich deuten Ergebnis- fanden bisher KI-Anwendungen aus dem Leistungsfähigkeit von KI wurde dabei
se einer explorativen Radiomics-Analyse Bereich der Kopf-Hals-Onkologie, welche mit der Befundung der Untersuchungen
von Dual-Energy-CT-Untersuchungen da- sich mit der Prognostik des Krankheits- durch fünf Radiolog*innen verglichen
rauf hin, dass solche KI-Algorithmen (auf verlaufs bzw. der Prädiktion des Thera- [19]. Dabei erzielte der Deep-Learning-Al-
Basis von Random-Forest-ML-Modellen) pieansprechens beschäftigen. Als Daten- gorithmus mit AUC-Werten von 0,88–0,93
sogar eine präoperative Einschätzung grundlage dienen bei diesen Studien ne- (Sensitivität von 0,56–0,77, Spezifität von
der histopathologischen Entität von Ohr- ben klinischen Befunden v. a. radiologi- 0,94–0,99) eine leichtgradig signifikant
speicheldrüsentumoren zulassen könnten sche Untersuchungsergebnisse (CT, MRT bessere diagnostische Genauigkeit als
[1]. oder PET-CT) [9, 18]. Die Ergebnisse die- die menschlichen Expert*innen mit AUC-
Neben radiologischen Diagnosever- ser Arbeiten deuten darauf hin, dass die Werten von 0,83–0,89 (Sensitivität von
fahren erzeugen auch endoskopische zusätzliche Verwendung von KI der ge- 0,52–0,82, Spezifität von 0,80–0,99).
Untersuchungen (dynamische) Bilddaten, genwärtigen diagnostischen Aufarbeitung Eine weitere Studie konnte zeigen, dass
welche durch KI-Systeme (sogar in Echt- oro-, naso- und hypopharyngealer sowie Deep-Learning-Algorithmen Okklusionen
zeit) ausgewertet werden können. In einer oraler und laryngealer Karzinome hinsicht- des osteomeatalen Komplexes bei Pa-
aktuellen Studie wurden 19.000 Weißlicht- lich Prognostik bzw. Prädiktion der jewei- tient*innen mit chronischer Rhinosinusitis
Endoskopiebilder von Stimmlippenläsio- ligen Studienendpunkte überlegen ist [11, auf koronaren NNH-CT-Schnitten detek-
nen durch ein Expertengremium aus HNO- 12, 18]. Im Speziellen belegen kürzlich tieren können [6]. Zudem wurde in einer
Ärzt*innen sowie mithilfe eines Deep- veröffentlichte Untersuchungen der Auto- anderen Arbeit ein Deep-Learning-Modell
Learning-Algorithmus analysiert und an- ren dieses Artikels einen additiven Nut- zur vollautomatisierten, volumetrischen
90 HNO 2 · 2022Quantifikation von NNH-Verschattungen Spalten durchgeführt werden, welche ben. Darüber hinaus könnte beispielswei-
in NNH-CT als Surrogatparameter für das eine Optimierung des funktionellen und se die Implementierung KI-gestützter op-
Vorliegen bzw. die Aktivität der chroni- kosmetischen Ergebnisses erbringen soll tischer Verfahren wie Immunfluoreszenz-
schen Rhinosinusitis entwickelt [15]. Der- [21]. Besonders vielversprechend scheint mikroskopie, optische Kohärenztomogra-
artige Algorithmen könnten in Zukunft darüber hinaus der Einsatz KI-gestützter phieoder Hyperspektralmikroskopieinsol-
eine präzisere und objektivere diagnos- intraoperativer Bildgebungsverfahren zu che „intelligenten Operationssysteme“ Tu-
tische Erfassung und Verlaufsbeurteilung sein, welche die visuelle und taktile bzw. morgrenzen noch präziser beurteilen las-
von NNH-Pathologien ermöglichen. Eine haptische Orientierung des Chirurgen sen, wodurch onkologische Sicherheit und
automatisierte Befundung bzw. Prädikti- im Operationsfeld im Sinne einer erwei- Funktionserhalt bei der chirurgischen Be-
on des Therapieansprechens erscheint in terten Realität (Augmented Reality, AR) handlung von Kopf-Hals-Malignomen wei-
Anlehnung an die bereits vorgestellten Ar- ergänzen. Auf diese Weise kann für den ter gesteigert würden [13].
beiten in der Kopf-Hals-Onkologie als der Operateur insbesondere die Unterschei-
nächste Schritt in der Weiterentwicklung dung von erkranktem und gesundem Ausblick
dieser Technologie. Gewebe im Sinne einer Image-guided
Surgery erleichtert werden [2]. KI wird die Medizin in den nächsten Jah-
KI in der Kopf-Hals-Chirurgie In diesem Zusammenhang könnte sich ren durch eine Beschleunigung der Digi-
v. a. der Einsatz von Operationsroboter- talisierung weiter verändern. In der Hals-
Neben ihrer Anwendung in Diagnostik und systemen als besonders nützlich erweisen: Nasen-Ohren-Heilkunde wird diese neuar-
Prognosestellung bei Erkrankungen des Hier liefern Kamerasysteme hochauflösen- tige Technologie zunehmend im Bereich
Kopf-Hals-Bereichs wird KI auch im Rah- des Bildmaterial, welches zusammen mit der Diagnostik eingesetzt. Dabei könnte
men therapeutischer Maßnahmen einge- radiologischen Daten eine mehrdimensio- die Anwendung von KI in naher Zukunft
setzt. So werden Deep-Learning-Ansätze nale Kartierung des Operationsfelds er- insbesondere bei den bildgebenden Ver-
in Studien bereits für die Operationsvorbe- möglicht. Die zusätzliche Integration von fahren eine Verbesserung der diagnosti-
reitung genutzt: Anhand von Fotomaterial Messdaten robotischer Sensoren und Ak- schen Sicherheit ermöglichen und sogar
kann beispielsweise eine KI-gestützte Pla- tuatoren könnte dabei sogar eine vom einenochfrühzeitigereErkennung und art-
nung von chirurgischen Inzisionen beim Operateur kontrollierte (Semi-)Automati- diagnostische Einordnung von pathologi-
Verschluss von Lippen-Kiefer-Gaumen- sierung einzelner Operationsschritte erlau- schen Veränderungen erlauben. Darüber
Hier steht eine Anzeige.
KAbstract
hinaus könnte der Einsatz von KI gegen- Artificial intelligence in otorhinolaryngology
über der herkömmlichen Auswertung bild-
gebender Untersuchungen einen erhebli- Background: The continued advancement of digitalization increasingly allows
chen Mehrwert erbringen, beispielsweise deployment of artificial intelligence (AI) algorithms, leveraging profound effects on
bei der Prognose des Krankheitsverlaufs society and medicine.
und bei der Vorhersage des Therapiean- Objective: This article aims to provide an overview of current developments and
sprechens. Auf Grundlage derartiger KI- futures perspectives of AI in otorhinolaryngology.
Materials and methods: Scientific studies and expert analyses were evaluated and
gestützter Modelle könnten im Sinne der
discussed.
personalisierten Medizin somit noch in-
Results: AI can increase the value of current diagnostic tools in otorhinolaryngology
dividualisiertere Behandlungskonzepte er-
and enhance surgical precision in head and neck surgery.
stellt werden. Conclusion: AI has the potential to further improve diagnostic and therapeutic
Digitale Operationsmikroskope in der procedures in otorhinolaryngology. This technology, however, is associated with
Ohr- und Laterobasischirurgie, Endoskope challenges, for example in the domain of privacy and data security.
in der Nasennebenhöhlen- und Fronto-
basischirurgie sowie Operationsroboter in Keywords
der zervikalen Weichteil- und Tumorchir- Robotics · Machine learning · Deep learning · Big data · Head and neck
urgie bilden die technische Plattform zur
Erzeugung mehrdimensionalen Bildmate-
rials. Zusammen mit der Integration von Fachpersonals für die COVID-19-Impfung Nur mit adäquater ärztlicher Supervision
digitalen radiologischen Befunden bzw. an der Universitätsklinik Stanford (Kali- wird es möglich sein, diese neuartigen
der Implementierung neuartiger optischer fornien, USA) durch einen fehlerhaften Technologien im Sinne der Patient*innen
Technologien in derartige Operationssys- KI-Algorithmus [14]. Derartige Zwischen- gewinnbringend einzusetzen.
teme könnte KI dem/der Kopf-Hals-Chi- fälle rücken Fragen nach rechtlicher und
rurg*in z. B. bei der Orientierung im Ope- moralischer Verantwortlichkeit in den Fazit für die Praxis
rationsgebiet durch die Schaffung einer Fokus: Fehlerhafte KI-Entscheidungen, 4 Der Einsatz von künstlicher Intelligenz (KI)
„erweiterten Realität“ (AR) oder gar durch insbesondere im Bereich Diagnostik und wird die Digitalisierung der Medizin in den
eine automatisierte Durchführung einzel- Therapieplanung, könnten ernsthafte, nächsten Jahren weiter voranbringen.
ner Teilschritte einer Operation wirkungs- mitunter lebensbedrohliche Folgen für 4 Das enorme positive Potenzial von KI ist
voll unterstützen. Dabei könnte z. B. ei- unsere Patient*innen haben. Aktuell ist auch mit Herausforderungen, z. B. im Be-
reich des Datenschutzes (Stichwort „glä-
ne verbesserte Abgrenzung maligner Pro- nicht pauschal zu beantworten, wer in serner Patient“) mit der Gefahr von Beein-
zesse von gesundem Gewebe die Präzisi- solchen Fällen haftet – der KI-Entwickler, trächtigung der Privatsphäre, Benachtei-
on in der Tumorchirurgie weiter erhöhen die Ärzt*innen als Anwender oder auf- ligung und Ausgrenzung verbunden.
und hierdurch onkologische Sicherheit bei geklärte Patient*innen selbst? Insofern 4 Aktuelle Untersuchungen deuten darauf
gleichzeitigem Funktionserhalt steigern. ist es unabdingbar, dass Transparenz, hin, dass sich durch die Anwendung von
KI die Aussagekraft herkömmlicher Dia-
Allerdings ist es geboten, den zu- Nachvollziehbarkeit und Überprüfbarkeit gnostik, v. a. im Bereich der Bildgebung,
nehmenden Einsatz von KI in der Medizin von KI-gestützten medizinischen Entschei- weiter steigern lässt.
wachsam zu begleiten. Den enormen Mög- dungen von uns Ärzt*innen engmaschig 4 In Zukunft könnte KI in „intelligenten
lichkeiten dieser neuartigen Technologie überwacht werden. Gerade in diesem Operationssystemen“ chirurgische Präzi-
stehen auch Risiken und Herausforderun- Bereich lassen sich jedoch beträchtliche sion und Patientensicherheit weiter erhö-
hen.
gen gegenüber, welche einen flächen- Herausforderungen ausmachen. Da die
deckenden KI-Einsatz in der klinischen steigende Leistungsfähigkeit moderner
Praxis erschweren bzw. bisher über weite ML-Algorithmen nicht zuletzt durch hö-
Strecken unterbunden haben: Herausfor- here Modellkomplexität und Nutzung
derungen im Bereich des Datenschutzes umfangreicher Datengrundlagen erreicht
umfassen insbesondere die Einholung von wurde, litt die Nachvollziehbarkeit – eine
Einwilligungen zur Datennutzung in KI- Problematik, die in der einschlägigen Lite-
Systemen, die fachgerechte Datenanony- ratur gerne mit der „Black-Box-Metapher“
misierung oder, falls eine Anonymisierung umschrieben wird: ein dem Behaviorismus
nicht möglich ist, die DSGVO-gerechte entlehntes Sinnbild für fehlende Einsicht
Speicherung, Nutzung(sbeschränkung), in die „Denkprozesse“ der KI. Zwar existie-
Löschung und Vertraulichkeit der Da- ren zahlreiche Ansätze zur Interpretation
ten [8]. Weiterhin bergen unzureichend dieser „Denkprozesse“ im Sinne einer
validierte oder technisch fehlerhafte Algo- „explainable AI“; anerkannte Richtlinien
rithmen Gefahren. Ein aktuelles Beispiel und Mindeststandards zur Gewährleistung
hierfür ist die fälschlicherweise durchge- derartiger Transparenz und Überprüfbar-
führte Priorisierung des nichtexponierten keit in der Medizin fehlen aber bislang.
92 HNO 2 · 2022tumours as a testing paradigm. Eur Radiol 18. Karadaghy OA, Shew M, New J et al (2019)
Korrespondenzadresse 28:2604–2611 Development and assessment of a machine
2. Alam IS, Steinberg I, Vermesh O et al (2018) learning model to help predict survival among
Emerging intraoperative imaging modalities to patients with oral squamous cell carcinoma. JAMA
improve surgical precision. Mol Imaging Biol Otolaryngol Head Neck Surg 145(12):1115–1120
20:705–715 19. KimY,LeeKJ,SunwooLetal(2019)Deeplearningin
3. Bing D, Ying J, Miao J et al (2018) Predicting the diagnosis of maxillary sinusitis using conventional
hearing outcome in sudden sensorineural hearing radiography. Invest Radiol 54:7–15
loss via machine learning models. Clin Otolaryngol 20. Le WT, Maleki F, Romero FP et al (2020) Overview
43:868–874 of machine learning: part 2: deep learning for
4. Chen J, Wang Y, Yoho SE et al (2016) Large- medical image analysis. Neuroimaging Clin N Am
scale training to increase speech intelligibility for 30:417–431
hearing-impairedlistenersinnovelnoises. JAcoust 21. Li Y, Cheng J, Mei H et al (2019) CLPnet: cleft lip and
Soc Am 139:2604 palate surgery support with deep learning. Annu
5. Chen RY, Lin YC, Shen WC et al (2018) Associations Int Conf IEEE Eng Med Biol Soc 2019:3666–3672
of tumor PD-1 ligands, immunohistochemical 22. Lim EC, Park JH, Jeon HJ et al (2019) Developing
studies, and textural features in (18)F-FDG PET in a diagnostic decision support system for benign
Prof. Dr. med. Christoph A. Reichel
squamous cell carcinoma of the head and neck. Sci paroxysmal positional vertigo using a deep-
Klinik und Poliklinik für Hals-Nasen- Rep 8:105 learning model. J Clin Med 8(5):633
Ohrenheilkunde, LMU-Klinikum 6. Chowdhury NI, Smith TL, Chandra RK et al (2019) 23. Livingstone D, Chau J (2020) Otoscopic diagnosis
Marchioninistr. 15, 81377 München, Automated classification of osteomeatal complex using computer vision: an automated machine
Deutschland inflammation on computed tomography using learning approach. Laryngoscope 130:1408–1413
christoph.reichel@med.uni-muenchen.de convolutional neural networks. Int Forum Allergy 24. Payabvash S, Chan A, Jabehdar Maralani P
Rhinol 9:46–52 et al (2019) Quantitative diffusion magnetic
7. Choy G, Khalilzadeh O, Michalski M et al (2018) resonance imaging for prediction of human
Current applications and future impact of machine papillomavirus status in head and neck squamous-
Funding. Open Access funding enabled and organi- learning in radiology. Radiology 288:318–328 cell carcinoma: a systematic review and meta-
zed by Projekt DEAL. 8. Deutscher Bundestag (2020) Bericht der Enquete- analysis. Neuroradiol J 32:232–240
Kommission Künstliche Intelligenz – Gesellschaft- 25. Ren J, Jing X, Wang J et al (2020) Automatic
liche Verantwortung und wirtschaftliche, soziale recognition of laryngoscopic images using a deep-
und ökologische Potenziale learning technique. Laryngoscope 130:E686–E693
Einhaltung ethischer Richtlinien 9. Haider SP, Burtness B, Yarbrough WG et al (2020) 26. Resteghini C, Trama A, Borgonovi E et al (2018) Big
Applications of radiomics in precision diagnosis, data in head and neck cancer. Curr Treat Options
Interessenkonflikt. S.P. Haider, K. Sharaf, P. Baumeis- prognostication and treatment planning of head Oncol 19:62
ter und C.A. Reichel geben an, dass kein Interessen- and neck squamous cell carcinomas. Cancers Head 27. Seidler M, Forghani B, Reinhold C et al (2019) Dual-
konflikt besteht. Neck 5:6 energy CT texture analysis with machine learning
10. Haider SP, Mahajan A, Zeevi T et al (2020) for the evaluation and characterization of cervical
Für diesen Beitrag wurden von den Autoren keine PET/CT radiomics signature of human papilloma lymphadenopathy. Comput Struct Biotechnol J
Studien an Menschen oder Tieren durchgeführt. virus association in oropharyngeal squamous 17:1009–1015
Für die aufgeführten Studien gelten die jeweils dort cell carcinoma. Eur J Nucl Med Mol Imaging 28. Sohn B, Choi YS, Ahn SS et al (2020) Machine
angegebenen ethischen Richtlinien. 47(13):2978–2991 learning based radiomic HPV phenotyping of
11. Haider SP, Sharaf K, Zeevi T et al (2020) Prediction oropharyngeal SCC: a feasibility study using MRI.
Open Access. Dieser Artikel wird unter der Creative of post-radiotherapy locoregional progression Laryngoscope 131:E851–E856
Commons Namensnennung 4.0 International Lizenz in HPV-associated oropharyngeal squamous cell 29. Tama BA, Kim DH, Kim G et al (2020) Recent
veröffentlicht, welche die Nutzung, Vervielfältigung, carcinoma using machine-learning analysis of advances in the application of artificial intelligence
Bearbeitung, Verbreitung und Wiedergabe in jegli- baseline PET/CT radiomics. Transl Oncol 14:100906 in otorhinolaryngology – head and neck surgery.
chem Medium und Format erlaubt, sofern Sie den/die 12. Haider SP, Zeevi T, Baumeister P et al (2020) Clin Exp Otorhinolaryngol 13:326–339
ursprünglichen Autor(en) und die Quelle ordnungsge- Potential added value of PET/CT radiomics 30. Van Dijk LV, Brouwer CL, Van Der Schaaf A
mäß nennen, einen Link zur Creative Commons Lizenz for survival prognostication beyond AJCC 8th et al (2017) CT image biomarkers to improve
beifügen und angeben, ob Änderungen vorgenom- edition staging in oropharyngeal squamous cell patient-specific prediction of radiation-induced
men wurden. carcinoma. Cancers (Basel) 12(7):1778 xerostomia and sticky saliva. Radiother Oncol
13. Halicek M, Dormer JD, Little JV et al (2019) Hyper- 122:185–191
Die in diesem Artikel enthaltenen Bilder und sonstiges spectral imaging of head and neck squamous cell 31. Wang YM, Li Y, Cheng YS et al (2020) Deep learning
Drittmaterial unterliegen ebenfalls der genannten carcinoma for cancer margin detection in surgical in automated region proposal and diagnosis
Creative Commons Lizenz, sofern sich aus der Abbil- specimens from 102 patients using deep learning. of chronic otitis media based on computed
dungslegende nichts anderes ergibt. Sofern das be- Cancers (Basel) 11(9):1367 tomography. Ear Hear 41:669–677
treffende Material nicht unter der genannten Creative 14. Harwell D (2020) Algorithms are deciding who
Commons Lizenz steht und die betreffende Handlung gets the first vaccines. Should we trust them? The
nicht nach gesetzlichen Vorschriften erlaubt ist, ist für Washington Post
die oben aufgeführten Weiterverwendungen des Ma- 15. Humphries SM, Centeno JP, Notary AM et al
terials die Einwilligung des jeweiligen Rechteinhabers (2020) Volumetric assessment of paranasal sinus
einzuholen. opacification on computed tomography can be
automated using a convolutional neural network.
Weitere Details zur Lizenz entnehmen Sie bitte der Int Forum Allergy Rhinol 10:1218–1225
Lizenzinformation auf http://creativecommons.org/ 16. Kann BH, Aneja S, Loganadane GV et al (2018)
licenses/by/4.0/deed.de. Pretreatment identification of head and neck
cancer nodal metastasis and extranodal extension
using deep learning neural networks. Sci Rep
8:14036
Literatur 17. Kann BH, Hicks DF, Payabvash S et al (2020)
Multi-institutional validation of deep learning
1. Al Ajmi E, Forghani B, Reinhold C et al (2018) for pretreatment identification of extranodal
Spectral multi-energy CT texture analysis with extension in head and neck squamous cell
machine learning for tissue classification: an carcinoma. J Clin Oncol 38(12):1304–1311
investigation using classification of benign parotid
HNO 2 · 2022 93Sie können auch lesen
