UC San Diego Health verwendet AWS zur Implementierung eines Modells für künstliche Intelligenz in 10 Tagen

Als die COVID-19-Pandemie im Frühjahr 2020 die USA heimsuchte, hatten Forscher der UC San Diego Health bereits ein Modell zur Bilderkennung entwickelt, das Machine Learning nutzt, um Lungenentzündungen in schwer zu erkennenden Fällen zu identifizieren. Da eine Lungenentzündung schnell zu einem der Hauptindikatoren für schwere Infektionen bei COVID-19-Patienten wurde, bat Dr. Mike Hogarth, Informationsbeauftragter für klinische Forschung an der UC San Diego Health, Amazon Web Services (AWS) um Hilfe bei der Einrichtung eines Systems zur Anwendung des Modells in einem klinischen Umfeld, das es Ärzten ermöglichen würde, die Informationen für Diagnose und Behandlung zu verwenden.

Wenn Patientenakten und -informationen im Gesundheitswesen verwendet werden, ist die Datensicherheit von entscheidender Bedeutung. Das System zur Anwendung des Modells der künstlichen Intelligenz müsste es UC San Diego Health somit ermöglichen, strenge Regeln in Compliance mit HIPAA einzuhalten, um in einer klinischen Umgebung eingesetzt zu werden. UC San Diego Health hatte in der Vergangenheit ähnlich konforme Lösungen auf AWS eingerichtet, und diese Erfahrung ermöglichte es dem Team von UC San Diego Health, das gewünschte System mithilfe von AWS in nur 10 Tagen zu erstellen.

Die UC San Diego Health gehört zu den 15 besten Forschungsuniversitäten weltweit. Die UC San Diego School of Medicine führt jedes Jahr Hunderte von klinischen Studien durch und das UCSD Health Services Research Center ist auf die Sammlung und Analyse von Daten zu Gesundheitsergebnissen zur Unterstützung der Forschung spezialisiert. Im Jahr 2018 entwickelte ein Team der UC San Diego Health unter der Leitung von Dr. Albert Hsiao, außerordentlicher Professor für Radiologie an der UC San Diego School of Medicine, eine Möglichkeit, Machine Learning zur Erkennung von Lungenentzündungen in Röntgenbildern einzusetzen. „Wir haben eine Wahrscheinlichkeitskarte mit Farbcodierung erstellt, die anzeigte, wie unsicher oder sicher eine Lungenentzündung war“, sagt Dr. Brian Hurt, Arzt im Team von Dr. Hsiao. Laut Dr. Hsiao „erstellen Menschen normalerweise ein Modell, das ein einfaches Ja- oder Nein-Ergebnis liefert und anzeigt, ob es sich um eine Lungenentzündung handelt oder nicht. Aber wir hielten es für wichtig, ein Bild zu erstellen, um hervorzuheben, wo Anomalien liegen.“ Das Team veröffentlichte Anfang 2020 einen Forschungsbericht zu diesen Ergebnissen.

Das Team von UC San Diego Health hatte bereits Erfahrung mit der Verwendung von AWS, um eine sichere, HIPAA-konforme Umgebung für seine Forschungsdaten zu schaffen. „Eine meiner ersten Aufgaben an der UC San Diego Health bestand darin, eine Umgebung zu schaffen, in der geschützte Gesundheitsinformationen berechnet und bei Bedarf verschoben werden konnten“, sagt Dr. Hogarth. „Unser Team und AWS hielten wöchentliche Besprechungen ab, um es zu optimieren, und als die COVID-19-Pandemie am Höhepunkt war, fragte AWS, wie sie helfen könnten und ob wir etwas tun wollten.“ Das Modell von Dr. Hsiaos Team kam sofort in den Sinn.

Das Ziel bestand darin, ein System zu implementieren, das Röntgenstrahlen aus einer klinischen Umgebung aufnehmen, das Modell darauf ausführen und Ergebnisse schnell zurückgeben kann, um die Diagnose zu unterstützen. „Viele Modelle, die in Laboren wie unserem erstellt wurden, sind potenziell vielversprechend, aber nicht sehr nützlich, wenn sie nicht tatsächlich in den klinischen Workflow integriert werden“, sagt Dr. Hsiao. Eine solche Implementierung würde möglicherweise die Diagnose, Behandlung und Ergebnisse von COVID-19-Patienten beeinflussen. „Die Befunde einer COVID-19-Lungenentzündung sind im Grunde die gleichen wie bei jeder anderen viralen Lungenentzündung“, sagt Dr. Hsiao. „Das von Brian trainierte Modell funktioniert in diesem Bereich, weil es ein gutes Modell zur Erkennung von Lungenentzündungen im Allgemeinen ist.“ Das Modell war in zweierlei Hinsicht nützlich. Erstens, wenn es eine Lungenentzündung in einem Röntgenbild erkennt, veranlasst es einen Test oder einen Wiederholungstest im Falle eines vorherigen – möglicherweise falschen – negativen Testergebnisses. Zweitens könnte bei Patienten mit bekannter Infektion der Befund einer Lungenentzündung auf einem Röntgenbild den Schweregrad und die Prognose der Krankheit anzeigen und über die Behandlung informieren.

Das Forschungsteam von UC San Diego Health hatte das Modell bereits so eingerichtet, dass es Bilder aufnimmt und sie mit einer farbcodierten Überlagerung zurücksendet. Es war lediglich eine Cloud-Lösung erforderlich, die eine Verbindung zum klinischen Bildgebungssystem herstellen konnte, um die Bilder zu empfangen und sie direkt in die Patientenakten auszugeben, sodass die Bilder für medizinisches Fachpersonal bequem zugänglich und einsehbar waren. Da das Team bereits HIPAA-konforme Umgebungen auf AWS erstellt hatte, konnte es das Projekt in nur 10 Tagen zum Laufen bringen. „Am ersten Tag, an dem es auf AWS ausgeführt wurde, verarbeitete das Modell rund 400 Röntgenbilder mit sehr wenigen Störungen.“ sagt Dr. Hogarth. In den nächsten 6 Monaten nach der Implementierung verarbeitete das Modell über 65 000 Röntgenbilder, jede in 3–4 Minuten.

Die Fähigkeit des Modells, Ärzten an der Pflegestelle Informationen bereitzustellen, macht es so nützlich, und AWS hat entscheidend dazu beigetragen, dass dies nicht nur möglich, sondern auch unkompliziert und einfach zu warten ist. Laut Dr. Hogarth, kann bei einem IT-Team von 500 Personen an der UC San Diego Health ein einziges Mitglied im Rahmen seiner Aufgaben die kontinuierliche Compliance mit HIPAA und anderen Vorschriften in der AWS-Umgebung überprüfen. Und wenn es darum geht, das von Dr. Hsiaos Team erstellte Modell in einer klinischen Umgebung umzusetzen, werden in erster Linie Amazon Elastic Compute Cloud (Amazon EC2)-Instances benötigt. Die Umgebung bietet die Sicherheitskonfigurationen, die das Team benötigt, und lässt sich einfach anpassen, wenn die Rechenkapazität zunimmt.

Ein kürzlich im Journal of the American College of Emergency Physicians Open veröffentlichter Artikel weist darauf hin, dass die Implementierung dieses Modells die klinische Entscheidungsfindung in 20 % Prozent der Fälle beeinflusst hat. „Es gibt nur sehr wenige Dinge, von denen wir wissen, dass sie die klinische Entscheidungsfindung in diesem Ausmaß beeinflussen“, sagt Dr. Hsiao. Die anfängliche Genauigkeit des Modells betrug 86 %, und das Team wird bald eine noch genauere Version bereitstellen, die Fälle von Lungenentzündung berücksichtigt, die oft übersehen werden, da sie sich hinter dem Herzen befinden.

Die Auswertung der Unterstützung, die Machine Learning für die klinische Entscheidungsfindung innerhalb bestehender Workflows der Pflegestelle bietet, ist wichtig, jedoch nicht sehr geläufig. Obwohl die Auswertung dieses Bildanalyse-Tools noch in den Kinderschuhen steckt, deuten anekdotische Hinweise an, dass es positive Auswirkungen gibt. Kürzlich wurde ein 78-jähriger Patient mit Fieber und Bauchschmerzen eingeliefert. Die Ärzte hatten keine COVID-19-Diagnose in Betracht gezogen, aber das Modell zeigte auf einer Röntgenaufnahme der Brust Anzeichen einer Lungenentzündung. Also testeten sie den Patienten und der Test kam positiv auf das Virus zurück.

Das Hsiaos Team plant, das Modell fortzusetzen und zu verfeinern, aber die Idee, Machine Learning und Algorithmen der künstlichen Intelligenz an der Pflegestelle auszuwerten, hat potenzielle Anwendungen auch in einem breiten Spektrum anderer Gesundheitsforschung. „Für uns ist es eine Pipeline für Daten und zur Unterstützung der Entscheidungsfindung“, sagt Dr. Hogarth. „Wir haben die Verwendung der Pipeline mit diesen Bildern demonstriert, aber es könnte auch viele andere Anwendungen geben.“