Methoden der künstlichen Intelligenz in der vaskulären Medizin

Status quo und Ausblick am Beispiel des AAAs

Methods of artificial intelligence in vascular medicine

Status quo and prospects exemplified by AAAs

Zusammenfassung

Hintergrund

Methoden der künstlichen Intelligenz (KI) erlangen in immer mehr Lebensbereichen Bedeutung und finden auch in der Medizin zunehmend Anwendung.

Fragestellung

Wo und wie werden KI-Methoden heute schon in der vaskulären Medizin eingesetzt? Wo besteht Potenzial für klinische Anwendungen? Wo liegen Herausforderungen?

Material und Methoden

Auf Basis einer Literaturrecherche wird der Einsatz von KI-Methoden im medizinischen Umfeld analysiert, bestehende Ansätze vorgestellt und Möglichkeiten für eine Anwendung in der Gefäßchirurgie aufgezeigt. Anhand eines aktuellen Forschungsthemas, der Rupturrisikoabschätzung bei abdominalen Aortenaneurysmen (AAA), wird der Einsatz und das Zusammenspiel mehrerer KI-Methoden veranschaulicht.

Ergebnisse

KI-Methoden sind in der Gefäßchirurgie noch unterrepräsentiert. Wie die gezeigten Beispiele verdeutlichen, besteht allerdings ein hohes Anwendungspotenzial.

Diskussion

Eine Herausforderung für die Anwendung von KI-Methoden besteht in der Interpretierbarkeit der KI-basierten Modelle, da diese keine kausalen Beziehungen preisgeben können. Des Weiteren werden zur Erstellung aussagekräftiger KI-Modelle große medizinische Datensätze benötigt, was aufgrund heterogener Datenquellen und Datenschutzbedenken insbesondere in Deutschland eine Hürde darstellt.

Abstract

Background

Artificial intelligence (AI) methods enjoy widespread use in an ever-increasing number of areas. In particular, the use of AI in medicine has seen incremental growth in recent years.

Objective

To what extent are AI methods being used in vascular medicine at present? What are potential clinical applications? What are the challenges?

Material and methods

Current applications of AI methods in medicine are presented on the basis of a literature search, existing AI approaches and possibilities for the application in the field of vascular surgery are discussed. By means of a current research topic, namely estimation of the risk of rupture in abdominal aortic aneurysms (AAA), the use and interplay of different AI methods are presented.

Results

In the field of vascular surgery AI methods are still underrepresented. As evidenced by the example of AAA there is a high potential for application in vascular medicine.

Conclusion

While promising, the AI methods and models suffer from a lack of interpretability, i.e. they are limited in their ability to provide insights as to the causal mechanisms dictating an observed phenomenon. Moreover, the development of accurate and diagnostically conclusive AI models necessitates large medical datasets. Due to data privacy concerns, the sharing of medical data poses a complex legal problem, particularly in Germany, and represents another barrier for expanding the use of AI methods.

This is a preview of subscription content, access via your institution.

Abb. 1
Abb. 2
Abb. 3
Abb. 4
Abb. 5
Abb. 6

Literatur

  1. 1.

    Ärzteblatt DÄG Redaktion Deutsches (2019) Künstliche Intelligenz erkennt Melanome zuverlässiger als Uni-Dermatologen. https://www.aerzteblatt.de/nachrichten/102433/Kuenstliche-Intelligenz-erkennt-Melanome-zuverlaessiger-als-Uni-Dermatologen. Zugegriffen: 20. Juni 2019

    Google Scholar 

  2. 2.

    Bergqvist D, Björck M, Wanhainen A (2008) Abdominal aortic aneurysm – to screen or not to screen. Eur J Vasc Endovasc Surg 35:13–18. https://doi.org/10.1016/j.ejvs.2007.06.012

    CAS  Article  PubMed  PubMed Central  Google Scholar 

  3. 3.

    Biehler J, Kehl S, Gee MW et al (2017) Probabilistic noninvasive prediction of wall properties of abdominal aortic aneurysms using Bayesian regression. Biomech Model Mechanobiol 16:45–61. https://doi.org/10.1007/s10237-016-0801-6

    Article  PubMed  PubMed Central  Google Scholar 

  4. 4.

    Brinker TJ, Hekler A, Enk AH et al (2019) Deep learning outperformed 136 of 157 dermatologists in a head-to-head dermoscopic melanoma image classification task. Eur J Cancer 113:47–54. https://doi.org/10.1016/j.ejca .2019.04.001

    Article  Google Scholar 

  5. 5.

    Bs KWJ (2018) Artificial intelligence in cardiology. J Am Coll Cardiol 71(23):2668

    Article  Google Scholar 

  6. 6.

    Chaikof EL, Dalman RL, Eskandari MK et al (2018) The society for vascular surgery practice guidelines on the care of patients with an abdominal aortic aneurysm. J Vasc Surg 67:2–77.e2. https://doi.org/10.1016/j.jvs.2017.10.044

    Article  PubMed  PubMed Central  Google Scholar 

  7. 7.

    Ching T, Himmelstein DS, Beaulieu-Jones BK et al (2018) Opportunities and obstacles for deep learning in biology and medicine. J R Soc Interface. https://doi.org/10.1098/rsif.2017.0387

    Article  PubMed  PubMed Central  Google Scholar 

  8. 8.

    Debus ES, Heidemann F, Gross-Fengels W et al (2018) Kurzfassung S3-Leitlinie zu Screening, Diagnostik, Therapie und Nachsorge des Bauchaortenaneurysmas. Gefässchirurgie 23:432–451. https://doi.org/10.1007/s00772-018-0435-3

    Article  Google Scholar 

  9. 9.

    Destasis (2017) Gesundheit, Todesursachen in Deutschland. Fachserie 12, Reihe 4. Statistische Bundesamt, Wiesbaden

    Google Scholar 

  10. 10.

    Durrleman S, Prastawa M, Charon N et al (2014) Morphometry of anatomical shape complexes with dense deformations and sparse parameters. Neuroimage 101:35–49. https://doi.org/10.1016/j.neuroimage.2014.06.043

    Article  PubMed  PubMed Central  Google Scholar 

  11. 11.

    Fillinger MF, Racusin J, Baker RK et al (2004) Anatomic characteristics of ruptured abdominal aortic aneurysm on conventional CT scans: implications for rupture risk. J Vasc Surg 39:1243–1252. https://doi.org/10.1016/j.jvs.2004.02.025

    Article  PubMed  PubMed Central  Google Scholar 

  12. 12.

    Georgakarakos E, Ioannou CV, Kamarianakis Y et al (2010) The role of geometric parameters in the prediction of abdominal aortic aneurysm wall stress. Eur J Vasc Endovasc Surg 39:42–48. https://doi.org/10.1016/j.ejvs.2009.09.026

    CAS  Article  PubMed  PubMed Central  Google Scholar 

  13. 13.

    Gibson E, Li W, Sudre C et al (2018) NiftyNet: a deep-learning platform for medical imaging. Comput Methods Programs Biomed 158:113–122. https://doi.org/10.1016/j.cmpb.2018.01.025

    Article  PubMed  PubMed Central  Google Scholar 

  14. 14.

    Hemmler A, Lutz B, Kalender G et al (2019) Patient-specific in silico endovascular repair of abdominal aortic aneurysms: application and validation. Biomech Model Mechanobiol. https://doi.org/10.1007/s10237-019-01125-5

    Article  PubMed  PubMed Central  Google Scholar 

  15. 15.

    Hong HA, Sheikh UU (2016) Automatic detection, segmentation and classification of abdominal aortic aneurysm using deep learning. IEEE 242–246. https://doi.org/10.1109/CSPA.2016.7515839

    Article  Google Scholar 

  16. 16.

    Kimura M, Hoshina K, Miyahara K et al (2019) Geometric analysis of ruptured and nonruptured abdominal aortic aneurysms. J Vasc Surg 69:86–91. https://doi.org/10.1016/j.jvs.2018.04.035

    Article  PubMed  PubMed Central  Google Scholar 

  17. 17.

    Liang L, Liu M, Martin C et al (2017) A machine learning approach to investigate the relationship between shape features and numerically predicted risk of ascending aortic aneurysm. Biomech Model Mechanobiol 16:1519–1533. https://doi.org/10.1007/s10237-017-0903-9

    Article  PubMed  PubMed Central  Google Scholar 

  18. 18.

    López-Linares K, Aranjuelo N, Kabongo L et al (2018) Fully automatic detection and segmentation of abdominal aortic thrombus in post-operative CTA images using deep convolutional neural networks. Med Image Anal 46:202–214. https://doi.org/10.1016/j.media.2018.03.010

    Article  PubMed  PubMed Central  Google Scholar 

  19. 19.

    Maier A, Gee MW, Reeps C et al (2010) A comparison of diameter, wall stress, and rupture potential index for abdominal aortic aneurysm rupture risk prediction. Ann Biomed Eng 38:3124–3134. https://doi.org/10.1007/s10439-010-0067-6

    CAS  Article  PubMed  Google Scholar 

  20. 20.

    Martufi G, Liljeqvist ML, Sakalihasan N et al (2016) Local diameter, wall stress, and thrombus thickness influence the local growth of abdominal aortic aneurysms. J Endovasc Ther. https://doi.org/10.1177/1526602816657086

    Article  PubMed  PubMed Central  Google Scholar 

  21. 21.

    Polzer S, Gasser TC, Vlachovský R et al (2019) Biomechanical indices are more sensitive than diameter in predicting rupture of asymptomatic abdominal aortic aneurysms. J Vasc Surg. https://doi.org/10.1016/j.jvs.2019.03.051

    Article  PubMed  PubMed Central  Google Scholar 

  22. 22.

    Raghavan ML, Ma B, Harbaugh RE (2005) Quantified aneurysm shape and rupture risk. J Neurosurg 102:355–362. https://doi.org/10.3171/jns.2005.102.2.0355

    Article  PubMed  PubMed Central  Google Scholar 

  23. 23.

    Rajasinghe HA, Miller LE, Chahwan SH, Zamora AJ (2018) TOI 2. Underutilization of artificial intelligence by vascular specialists. J Vasc Surg 68:e148–e149. https://doi.org/10.1016/j.jvs.2018.08.099

    Article  Google Scholar 

  24. 24.

    Reeps C, Maier A, Pelisek J et al (2013) Measuring and modeling patient-specific distributions of material properties in abdominal aortic aneurysm wall. Biomech Model Mechanobiol 12:717–733. https://doi.org/10.1007/s10237-012-0436-1

    CAS  Article  PubMed  PubMed Central  Google Scholar 

  25. 25.

    Reutersberg B, Haller B, Mariss J et al (2016) Measurements after image post-processing are more precise in the morphometric assessment of thoracic aortic aneurysms: an intermodal and intra-observer evaluation. Eur J Vasc Endovasc Surg 52:509–517. https://doi.org/10.1016/j.ejvs.2016.07.014

    CAS  Article  PubMed  PubMed Central  Google Scholar 

  26. 26.

    Ronneberger O, Fischer P, Brox T (2015) U‑net: Convolutional networks for biomedical image segmentation. In: Int. Conf. Med. Image Comput. Comput.-Assist. Interv. Springer, Berlin Heidelberg, S 234–241

    Google Scholar 

  27. 27.

    Shen D, Wu G, Suk H‑I (2017) Deep learning in medical image analysis. Annu Rev Biomed Eng 19:221–248. https://doi.org/10.1146/annurev-bioeng-071516-044442

    CAS  Article  PubMed  PubMed Central  Google Scholar 

  28. 28.

    Shum J, DiMartino ES, Goldhammer A et al (2010) Semiautomatic vessel wall detection and quantification of wall thickness in computed tomography images of human abdominal aortic aneurysms: Wall thickness quantification of human abdominal aortic aneurysms. Med Phys 37:638–648. https://doi.org/10.1118/1.3284976

    Article  PubMed  PubMed Central  Google Scholar 

  29. 29.

    Trenner M, Haller B, Storck M et al (2017) Trends in patient safety of intact abdominal aortic aneurysm repair: German registry data on 36,594 procedures. Eur J Vasc Endovasc Surg 53:641–647. https://doi.org/10.1016/j.ejvs.2016.12.024

    CAS  Article  PubMed  PubMed Central  Google Scholar 

  30. 30.

    Weber M, Burchardt A (2017) Künstliche Intelligenz – Wirtschaftliche Bedeutung, gesellschaftliche Herausforderungen, menschliche Verantwortung

    Google Scholar 

  31. 31.

    Wise ES, Hocking KM, Brophy CM (2015) Prediction of in-hospital mortality after ruptured abdominal aortic aneurysm repair using an artificial neural network. J Vasc Surg 62:8–15. https://doi.org/10.1016/j.jvs.2015.02.038

    Article  PubMed  PubMed Central  Google Scholar 

Download references

Danksagung

Die Autoren danken der Unterstützung dieser Arbeit durch das Leibniz-Rechenzentrum der Bayerischen Akademie der Wissenschaften (LRZ) unter pr48ta sowie der DFG unter GE2254/4‑1 und EC377/6‑1.

Author information

Affiliations

Authors

Corresponding author

Correspondence to Prof. Dr.-Ing. M. W. Gee.

Ethics declarations

Interessenkonflikt

L. Bruder, B. Reutersberg, M. Bassilious, W. Schüttler, H.-H. Eckstein und M.W. Gee geben an, dass kein Interessenkonflikt besteht.

Für diesen Beitrag wurden von den Autoren keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.

Rights and permissions

Reprints and Permissions

About this article

Verify currency and authenticity via CrossMark

Cite this article

Bruder, L., Reutersberg, B., Bassilious, M. et al. Methoden der künstlichen Intelligenz in der vaskulären Medizin. Gefässchirurgie 24, 539–547 (2019). https://doi.org/10.1007/s00772-019-00574-7

Download citation

Schlüsselwörter

  • Maschinelles Lernen
  • Präzisionsmedizin
  • Digitale Medizin
  • Abdominales Aortenaneurysma
  • Rupturrisiko

Keywords

  • Machine learning
  • Precision medicine
  • Digital medicine
  • Abdominal aortic aneurysm
  • Rupture risk