Computer Vision · Medizinische Bildgebung
KI, die lernt und sich anpasst: eine Fallstudie aus der MRT-Diagnostik
Reale Daten bleiben selten gleich: Scanner werden getauscht, Patientengruppen unterscheiden sich, Parameter ändern sich. Am Beispiel eines Systems, das Epilepsie-Läsionen im MRT erkennt, zeigen wir, wie Continual Learning KI unter wechselnden Bedingungen zuverlässig hält.
Aleksandra Osztynowicz
Das Wichtigste in Kürze
- Fokale kortikale Dysplasien sind eine häufige Ursache medikamentenresistenter Epilepsie und im MRT sehr schwer zu erkennen.
- Die erste Modellversion erkannte 2021 77,8 % der Läsionen, die visuelle Befundung 33,3 %, bei allerdings sehr niedriger Spezifität.
- Mit Continual Learning erreichte das Modell 2024 90 % Sensitivität bei 70 % Spezifität und schnitt besser ab als mit klassischem Training.
- Das Prinzip gilt über die Medizin hinaus: Überall, wo sich Daten verändern, bleiben lernfähige Systeme länger verlässlich.
Eine Läsion ohne feste Vorlage
Weltweit leben rund 50 Millionen Menschen mit Epilepsie, sie gehört zu den häufigsten neurologischen Erkrankungen. Häufig werden die Anfälle durch fokale kortikale Dysplasien (FCDs) verursacht, subtile Fehlbildungen der Großhirnrinde, die in konventionellen MRT-Aufnahmen schwer zu erkennen sind. Ihr Erscheinungsbild variiert stark und geht oft fließend ins umliegende Gewebe über. Selbst erfahrenen Fachleuten fällt die sichere Erkennung schwer, und die nötige Expertise gibt es nur in wenigen Zentren.
FCDs haben viele Gesichter: Ihre Grenzen wirken unscharf, die Hirnrinde kann verdickt sein, die Faltung weicht vom üblichen Muster ab, und am Übergang zwischen grauer und weißer Substanz zeigen sich feine Intensitätsänderungen. Selbst das bekannte Transmantelzeichen, eine vertikale Signalveränderung von der Rinde in tiefere Strukturen, tritt nicht bei allen Betroffenen auf. Eine standardisierte visuelle Vorlage gibt es deshalb nicht.
Werden die Läsionen erkannt, sind viele Patientinnen und Patienten nach einer Operation anfallsfrei. Bleiben sie verborgen, schrumpfen die Behandlungsmöglichkeiten. Die frühe Erkennung ist entscheidend, und genau dort stößt die rein visuelle Befundung an Grenzen.
Das Beispiel steht für ein allgemeines technisches Problem. KI-Systeme, die unter kontrollierten Bedingungen gut abschneiden, verlieren oft an Leistung, sobald sich die Datenverteilung im Einsatz verändert. Die Erkenntnisse aus diesem Projekt gelten deshalb für jede Organisation, die mit komplexen, wechselnden oder stark expertiseabhängigen Daten arbeitet.
Wie das System aufgebaut ist
Gemeinsam mit dem Hamburger Epilepsie-Zentrum am Evangelischen Krankenhaus Alsterdorf und Dr. Patrick House haben wir untersucht, wie KI Fachleute bei der frühen Erkennung von FCDs unterstützen kann. Das System markiert potenziell relevante Regionen, damit Expertinnen und Experten schneller die entscheidenden Details prüfen können. Die Diagnose bleibt bei ihnen.
MRT-Daten sind dabei anspruchsvoll. Eine Untersuchung umfasst Hunderte Schichten aus verschiedenen Sequenzen: T1 zeigt die Anatomie scharf, T2 macht Flüssigkeiten sichtbar, FLAIR unterdrückt Flüssigkeitssignale und hebt Auffälligkeiten hervor.
Vor dem Training werden die Daten segmentiert, um irrelevante Strukturen zu entfernen. Morphometrische Karten nach der Methode von Huppertz beschreiben Gewebeübergänge und Ausdehnungen und machen Merkmale sichtbar, die in Rohdaten verborgen bleiben. Das Modell erhält vier Kanäle: T1, FLAIR und zwei morphometrische Karten.
Das Modell folgt einem Encoder-Decoder-Aufbau mit variationaler Regularisierung. Der Encoder verdichtet die Bilddaten zu abstrakten Merkmalen, der Decoder rekonstruiert die Zielregionen und führt die räumlichen Details schrittweise wieder ein. So erkennt das Netz Kanten, Formen und unregelmäßige Texturen, nach denen Fachleute sonst von Hand suchen.
Die erste Version: hohe Sensitivität, zu viele Fehlalarme
In der prospektiven klinischen Validierung der ersten Version erkannte das Modell 77,8 % der FCDs. Die konventionelle visuelle Befundung fand im selben Test 33,3 %, also drei von neun Läsionen. Die Spezifität lag allerdings nur bei 5,5 %, das Modell meldete also sehr viele Auffälligkeiten, die sich nicht als FCD bestätigten. Die meisten dieser Fehlalarme gingen auf Bildrauschen oder andere Pathologien zurück. Das zeigte, wie stark Unterschiede in den Daten selbst die Leistung bestimmen, und wurde zum Ausgangspunkt der nächsten Entwicklungsphase.
Warum Continual Learning den Unterschied macht
Statische Modelle verlieren an Leistung, sobald sich ihre Datenumgebung verändert, und das passiert in fast jeder realen Anwendung: Scanner werden ausgetauscht, Patientengruppen unterscheiden sich, Aufnahmeparameter variieren. Kann sich ein Modell nicht anpassen, sinkt seine Genauigkeit, und es braucht häufiges, teures Neutraining. Continual Learning lässt ein Modell mit neuen Bedingungen wachsen, ohne Gelerntes zu vergessen.
Biologische Gehirne tun das von selbst: Synapsen verstärken sich bei relevanten Erfahrungen und stabilisieren sich, wenn Erinnerungen entstehen. Die gängigen Verfahren greifen solche Prinzipien auf:
| Verfahren | Prinzip |
|---|---|
| Regularisierung, etwa Elastic Weight Consolidation (EWC) | Schützt Parameter, die für frühere Aufgaben besonders wichtig waren. |
| Replay | Bringt frühere Beispiele erneut ins Training und stabilisiert so das Gedächtnis des Modells, ähnlich wie das Gehirn Gelerntes im Schlaf festigt. |
| Architekturbasierte Methoden | Erweitern das Netz für neue Aufgaben und erhalten die bisherigen Fähigkeiten. |
Die zweite Version: Continual Learning im klinischen Alltag
Für die zweite Studie wurde ein Datensatz von 300 MRTs aus dem klinischen Alltag prospektiv zusammengestellt: 30 FCD-Fälle, 150 unauffällige Aufnahmen und 120 Fälle mit anderen Pathologien. Er wurde in drei aufeinanderfolgende Teilmengen aufgeteilt, die reale Veränderungen in den Daten abbilden. Das Modell wurde in zwei Phasen weitertrainiert, einmal klassisch über alle Daten und einmal mit Continual Learning.
Ergebnis der prospektiven Validierung
Das beste Modell, trainiert mit Continual Learning, erreichte 90,0 % Sensitivität bei 70,0 % Spezifität und 72,0 % Genauigkeit, mit durchschnittlich 0,41 falsch-positiven Clustern je MRT. Die Leistung stieg mit jeder Trainingsphase, und Continual Learning schnitt besser ab als klassisches Training.
Adaptive Modelle funktionieren also auch unter realen Bedingungen robust. Das System bleibt stabil, während sich die Datenverteilung verändert, und schafft eine belastbare Grundlage für das Vorscreening im klinischen Ablauf.
Was das für andere Branchen bedeutet
Der Anwendungsfall stammt aus der Klinik, die technischen Erkenntnisse gelten fast überall. Logistikumgebungen verändern sich, Marktsignale schwanken, Sensordaten ändern sich mit den Jahreszeiten oder mit dem Verschleiß von Anlagen. Statische Algorithmen geraten dort schnell an Grenzen, Systeme mit kontinuierlicher Anpassung bleiben verlässlich.
Jedes Projekt braucht dafür eine eigene Strategie, Architektur und Integration. Wir analysieren die Datenlandschaft, finden geeignete Anwendungsfälle und entwerfen Lösungen, die zu Prozessen, Infrastruktur und langfristiger Strategie passen. Weitere Projekte aus der Medizin zeigt unsere Seite zur KI im Gesundheitswesen und in der Medizintechnik.
Quellen
- WHO: Epilepsy, Fact Sheet
- House PM, Kopelyan M, Braniewska N, Silski B, Chudzinska A, Holst B, Sauvigny T, Martens T, Stodieck S, Pelzl S: Automated detection and segmentation of focal cortical dysplasias (FCDs) with artificial intelligence. Epilepsy Research 2021;172:106594. PubMed 33677163
- Chanra V, Chudzinska A, Braniewska N, Silski B, Holst B, Sauvigny T, Stodieck S, Pelzl S, House PM: Development and prospective clinical validation of a convolutional neural network for automated detection and segmentation of focal cortical dysplasias. Epilepsy Research 2024;202:107357. PubMed 38582073
- Huppertz HJ, Grimm C, Fauser S et al.: Enhanced visualization of blurred gray-white matter junctions in focal cortical dysplasia by voxel-based 3D MRI analysis. Epilepsy Research 2005;67(1-2):35-50. PubMed 16171974
KI für Daten, die sich verändern?
Wir prüfen mit Ihnen, wie sich Ihre Daten im Betrieb verändern, welche Architektur verlässlich bleibt und wie ein erster Prototyp mit echten Daten aussieht.
Prozessanalyse anfragenHäufige Fragen
Fehlbildungen der Großhirnrinde und eine häufige Ursache medikamentenresistenter Epilepsie. Im MRT sind sie schwer zu erkennen, weil sie keine klare Grenze haben und ihr Erscheinungsbild stark variiert.
Ein Trainingsansatz, bei dem ein Modell neue Daten aufnimmt, ohne früher Gelerntes zu vergessen. Gängige Verfahren sind Regularisierung wie Elastic Weight Consolidation, Replay früherer Beispiele und architekturbasierte Erweiterungen.
In der prospektiven Validierung von 2024 erreichte das mit Continual Learning trainierte Modell 90 % Sensitivität bei 70 % Spezifität. Die erste Version von 2021 erkannte 77,8 % der Läsionen, die visuelle Befundung 33,3 %.
Nein. Sie markiert potenziell relevante Regionen, damit Fachleute schneller die entscheidenden Details prüfen können. Die Diagnose stellen weiterhin Ärztinnen und Ärzte.
Aleksandra entwickelt seit 2021 bei theBlue.ai maßgeschneiderte KI-Lösungen mit Schwerpunkt auf agentischen Implementierungen und lokalen LLM-Deployments, die passgenau auf Unternehmensanforderungen zugeschnitten sind. Als AI Engineer hilft sie Organisationen dabei, ihre Prozesse mit produktionsreifen Systemen zu automatisieren, von On-Premise-Open-Source-Modellen bis hin zu RAG-basierten internen Wissensdatenbanken für regulierte Branchen, und erweitert ihr Wissen kontinuierlich in der sich rasant wandelnden Welt der Künstlichen Intelligenz.
In ihren Artikeln teilt sie praktische Erfahrungen aus realen Enterprise-KI-Projekten und zeigt: KI im Unternehmen einzuführen muss nicht kompliziert sein.