KI für die chirurgische Planung

In enger Zusammenarbeit mit dem apoQlar-Team und unter Einbeziehung medizinischer Fachleute aus verschiedenen Fachgebieten entwickelten wir eine Reihe von KI-Modellen, die die Segmentierung anatomischer Strukturen aus MRT- und CT-Aufnahmen automatisieren.

Mehrere anatomische Strukturen. Die Modelle decken nicht nur einen einzigen Anwendungsfall ab – sie segmentieren verschiedene Strukturtypen: Knochen, Blutgefäße und Hirnstrukturen einschließlich Ventrikel. Für jede war eine eigene Modellvariante erforderlich, die mit fachspezifischen Bilddaten trainiert und von den jeweiligen medizinischen Fachleuten validiert wurde.

Modernste neuronale Netzwerkarchitekturen. Wir verwendeten Variationen der U-Net-Architektur – dem Standard für die medizinische Bildsegmentierung – die für jedes anatomische Ziel angepasst und optimiert wurden. Die Modelle erzielten durchgehend eine hohe Segmentierungsgenauigkeit über verschiedene Patientenbildgebungsdaten hinweg.

Umfassende Dokumentation und Reproduzierbarkeit. In der KI im Gesundheitswesen ist die Art und Weise, wie Modelle erstellt werden, genauso wichtig wie ihre Leistung. Wir haben die gesamte Pipeline auf Microsoft Azure Machine Learning und Microsoft InnerEye aufgebaut und dabei für eine vollständige Dokumentation der Datensatzmerkmale, Trainingsverfahren, Bewertungsmetriken und Bereitstellungsschritte gesorgt. Jedes Modell ist vollständig reproduzierbar – dieselben Eingaben liefern dieselben Ausgaben – und der gesamte Entwicklungsprozess ist von Anfang bis Ende lückenlos nachverfolgbar.

Direkte Integration in VSI HoloMedicine®. Die Segmentierungsausgabe fließt direkt in apoQlars Extended-Reality-Plattform ein, wo Chirurgen über XR-Headsets – darunter Meta Quest und andere Geräte – mit den resultierenden anatomischen 3D-Modellen interagieren können. Die KI produziert nicht nur Daten – sie produziert Daten, die sofort im chirurgischen Planungsprozess einsetzbar sind.