Case Studies / Evangelisches Krankenhaus Alsterdorf
HEALTHCARE · MEDIZINISCHE BILDGEBUNG & NEUROLOGIE
Automatisierte Erkennung epileptischer Läsionen im MRT mit KI am Hamburger Epilepsie-Zentrum
Fokale kortikale Dysplasien (FCDs) – eine der häufigsten Ursachen medikamentenresistenter Epilepsie – sind im MRT extrem schwer zu erkennen. Weltweit können nur wenige Spezialisten sie zuverlässig identifizieren, sodass viele Patienten ohne Diagnose bleiben. Wir haben ein neuronales 3D-Netz entwickelt, das FCDs automatisiert erkennt – mit höherer Sensitivität als die konventionelle visuelle Befundung. Die Ergebnisse wurden in führenden Epilepsie-Fachzeitschriften veröffentlicht.
Kunde: Hamburg Epilepsy Center, Evangelisches Krankenhaus Alsterdorf – eine führende deutsche Einrichtung für Epilepsiediagnostik und -behandlung.
KEY RESULTS
SOTA
State-of-the-Art-Ergebnisse bei der automatisierten FCD-Erkennung
3D CNN
Eigens entwickeltes Convolutional Neural Network für MRT-Analyse
Publiziert
Ergebnisse peer-reviewed in führenden Epilepsie-Fachzeitschriften
Größter
Größter bisher zusammengestellter FCD-MRT-Datensatz für das Training
BRANCHE
Healthcare / Neurologie
USE CASE
Erkennung epileptischer Läsionen im MRT
KI-ANSATZ
3D CNN + Autoencoder-Regularisierung
DATEN
MRT-Hirnscans (größter FCD-Datensatz)
Die Herausforderung
Fokale kortikale Dysplasien sind Fehlbildungen in der Großhirnrinde und eine der häufigsten Ursachen medikamentenresistenter Epilepsie. Werden sie erkannt und operativ entfernt, können viele Patienten anfallsfrei werden. Das Problem: FCDs sind im MRT extrem schwer zu identifizieren.
Anders als Tumoren, die sich typischerweise als klar sichtbare Raumforderungen darstellen, variieren FCDs stark in Lage, Größe und Form. Sie gehen fließend in das umliegende Hirngewebe über, ohne scharfe Grenzen. Ihre Erkennung erfordert tiefes, spezialisiertes Wissen in der Epileptologie – und die Zahl der Spezialisten weltweit, die FCDs zuverlässig identifizieren können, ist verschwindend gering. Die Folge: Viele Patienten mit behandelbarer Epilepsie erhalten nie die richtige Diagnose.
Das Kernproblem: Ein entscheidender diagnostischer Schritt – die Identifikation von FCDs im MRT – hing von einer winzigen Gruppe globaler Spezialisten ab. Die manuelle MRT-Auswertung war zeitaufwändig, subjektiv und für die meisten Krankenhäuser nicht verfügbar. Patienten wurden übersehen.
Was wir gebaut haben
In enger Zusammenarbeit mit den Neurologen und Epileptologen des Hamburger Epilepsie-Zentrums haben wir ein KI-System entwickelt, das die Erkennung und Segmentierung von FCDs in dreidimensionalen MRT-Hirnscans automatisiert.
Eigens entwickeltes 3D Convolutional Neural Network. Wir haben eine Netzwerkarchitektur speziell für diese Aufgabe entworfen – zur dreidimensionalen Analyse von MRT-Bildern, um die subtilen strukturellen Anomalien zu erkennen, die FCDs kennzeichnen. Die Architektur nutzt Autoencoder-Regularisierung, um die Generalisierungsfähigkeit und Robustheit über unterschiedlichste Patientenscans hinweg zu verbessern.
Größter FCD-Trainingsdatensatz. Eine der größten Herausforderungen in der medizinischen KI ist der Datenmangel. Durch die intensive Zusammenarbeit mit dem Epilepsie-Zentrum haben wir den bisher größten Datensatz aus MRT-Bildern mit bestätigten FCD-Diagnosen zusammengestellt. Das war entscheidend, um ein Modell zu trainieren, das auch jenseits der gelernten Einzelfälle zuverlässig funktioniert.
Höhere Sensitivität als visuelle Befundung. Das resultierende Modell zeigte eine höhere Sensitivität bei der FCD-Erkennung als die konventionelle visuelle Expertenbefundung von MRT-Scans. Das klinische Team bewertete das Modell als hochnützlich für das FCD-Screening in der Praxis.
Continual Learning. Das System wurde mit einem Continual-Learning-Ansatz konzipiert – es verbessert sich fortlaufend mit neuen Daten, während das Risiko des Catastrophic Forgetting (Verlust zuvor erlernten Wissens beim Training mit neuen Fällen) minimiert wird.
Die Ergebnisse
BEVOR
Die FCD-Erkennung hing von einer winzigen Zahl globaler Spezialisten ab. Manuelle MRT-Auswertung war langsam, subjektiv und in den meisten Kliniken nicht verfügbar. Viele Patienten blieben ohne Diagnose.
NACHHER
Automatisiertes Screening-Tool mit State-of-the-Art-Erkennungsgenauigkeit. Höhere Sensitivität als konventionelle visuelle Befundung. Peer-reviewed und für den klinischen Einsatz validiert.
Das Modell erzielte State-of-the-Art-Ergebnisse bei der FCD-Erkennung und wurde in der klinischen Praxis am Hamburger Epilepsie-Zentrum validiert. Die Ergebnisse wurden in führenden Epilepsie-Forschungszeitschriften veröffentlicht und trugen zum Verständnis der Fachgemeinschaft bei, wie KI die neurologische Diagnostik unterstützen kann.
Über den unmittelbaren klinischen Nutzen hinaus demonstrierte das Projekt die Kompetenz von theBlue.ai im Bereich Deep Learning für medizinische Bildgebung – von der Entwicklung maßgeschneiderter Architekturen für Probleme, für die es keine Standardlösungen gibt, über den Aufbau der nötigen Dateninfrastruktur bis hin zu Ergebnissen, die den strengen Anforderungen peer-reviewed klinischer Forschung standhalten.
Eingesetzte Technologien
Mehr Case Studies
So haben wir anderen Unternehmen geholfen
MEDTECH · APOQLAR
Stundenlange manuelle Bildsegmentierung durch KI ersetzt, die es in Sekunden erledigt
Vor jeder Operation mussten anatomische Strukturen in MRT- und CT-Aufnahmen Schicht für Schicht manuell eingezeichnet werden. Wir haben KI-Modelle entwickelt, die das automatisch übernehmen und eine mehrstündige Aufgabe auf Sekunden reduzieren.
Hrs → Sec
Segmentierungszeit
MRT+CT
Beide Modalitäten
HEALTHCARE · TIROL KLINIKEN INNSBRUCK
Manuelle Patientendaten-Anonymisierung automatisiert
Mitarbeiter der größten Krankenhausgruppe Westösterreichs schwärzten manuell Patientendaten in tausenden medizinischen Dokumenten, um gesetzliche Anforderungen zu erfüllen. KI übernimmt das nun automatisch – auf eigenen Servern, ganz ohne Cloud.
100%
Automatisiert
TGF
Konform
On-premis
Keine Cloud
MEDTECH · APOQLAR
Jeder neue Krankenhauspartner benötigte einen ausgefüllten Fragebogen – 8–10 Beteiligte, rund einen Monat, Antworten aus Richtlinien verschiedener Abteilungen. Jetzt entwirft ein KI-Assistent die Antworten automatisch und spart dabei geschätzte 90.000 $ pro Jahr.
-75%
Bearbeitungszeit
90.000 $
Jährliche Einsparungen