In der HNO wird Vielzahl von Daten generiert – mögliche Anwendbarkeit für KI?
Die Hals-Nasen-Ohren-Heilkunde (HNO) umfasst eine Vielzahl diagnostischer und therapeutischer Verfahren, bei denen Daten generiert werden – beispielsweise endoskopische Bilder, Videos und Audio-Aufnahmen. Solche Daten bieten das Potenzial für den Einsatz von Künstlicher Intelligenz (KI) und insbesondere Deep-Learning-Verfahren zur Automatisierung, Fehlerreduktion oder Entscheidungsunterstützung. Trotz dieser Möglichkeiten nutzen derzeit nur wenige HNO-Ärzte diese Tools - und meist allgemeine, die nicht spezifisch für die HNO konzipiert wurden, wie beispielsweise KI-gestützte Sprachdiktiergeräte. Trotz des technischen Fortschritts im Bereich Deep Learning gibt es eine große Kluft zwischen Forschung und klinischer Einsetzbarkeit. So standen im August 2024 bereits 950 FDA-geprüfte KI-Geräte zur Verfügung, von denen nur zwei spezifisch für die HNO entwickelt wurden. Die Validierung dieser KI-Tools für den Einsatz im medizinischen Bereich erfolgt in klinischen Studien.
Review untersuchte den Einsatz von KI in Studien im HNO-Bereich
Eine Gruppe Forscher stellte kürzlich die Hypothese auf, dass die klinische Validierung ein wenig untersuchtes Feld bei der Entwicklung von KI-Applikationen in der HNO ist. Daher untersuchten sie in einem Review systematisch den Forschungsstand zu Deep-Learning in der HNO über einen längeren Zeitraum, mit Augenmerk auf den Reifegrad der Modelle (von Proof-of-Concept über Offline-Validierung bis zur klinischen Validierung). Die Autoren evaluierten dafür Studien in den Datenbanken MEDLINE, EMBASE und Web of Science bis Oktober 2023. Insgesamt wurden 444 Publikationen in die Analyse eingeschlossen.
Anzahl der Publikationen zu KI bei HNO stiegen zwischen 2012 und 2022 steil an
Die Forscher sahen, dass die Publikationszahlen der Deep-Learning-Publikationen in der HNO insbesondere zwischen den Jahren 2012 (n=0) und 2022 (n=105) stiegen. Die Studienautoren kamen aus 48 Ländern. Besonders häufig waren Publikationen aus den USA (n=139), China (n=95) und Südkorea (n=38).
Die meisten Studien waren aus dem Bereich Otologie/Neurootologie
Am stärksten vertreten war der Bereich Otologie/Neurootologie mit 28 % der Studien. 56 % der Publikationen hatten die Erweiterung der Fähigkeiten von Gesundheitsexperten bzw. 30 % das Screening auf Krankheiten als Ziel.
Insbesondere Bilder kamen in den Studien zum Einsatz
Nicht-radiologische (n=36 %) und radiologische Bilder (n=19 %) waren die häufigsten Datentypen, die durch KI-Modelle analysiert wurden. Als nicht-radiologische Bilder wurden beispielsweise otoskopische, laryngoskopische Bilder verwendet, aber auch nasale Endoskopiebilder. 63 % der Studien nutzten Convolutional Neural Networks als Deep Learning Modell-Typ.
Keine klinische KI-Validierungsstudie in HNO
Bezüglich des Validierungsgrades zeigte sich, dass 99,3 % der Studien Proof-of-Concept bzw. in silico-Modelle waren. Nur drei Studien (0,7 %) untersuchten KI-Modelle beim Menschen in einem experimentellen Setting. Die Forscher fanden keine einzige klinische Validierungsstudie. Das vorliegende Review zeigt damit, dass die Forschung zu Deep Learning in der HNO sich zwar in der Quantität rasch entwickelt, jedoch überwiegend im theoretischen Stadium verharrt. Diese Daten verdeutlichen die derzeitige Differenz zwischen rein wissenschaftlicher Modellentwicklung und praktischer Nutzbarkeit.
Empfehlungen der Studienautoren zu zukünftigen KI-Studien in der HNO
Die Studienautoren empfehlen die Anstrengung und Finanzierung für die KI-Forschung zu erhöhen. Sie raten, sich hierbei insbesondere auf Modelle mit geringer Komplexität und geringem Risiko zu konzentrieren, da bei diesen schneller mit einem Vorteil in der realen Welt zu rechnen ist als bei Modellen mit hoher Komplexität. Zudem empfehlen die Forscher sich bei künftigen KI-Studien an die Leitlinien für die KI Prediction Tools zu halten. Diese geben die Rahmenbedingungen vor und verbessern die Nützlichkeit und Zuverlässigkeit von KI-Modellen. Weiterhin raten die Wissenschaftler klinische Validierung für KI-Anwendung zu priorisieren.
