Der Browser den Sie verwenden ist sehr alt.

Wir können daher nicht sicherstellen, dass jede Funktion (Gestaltung, Bilder und zusätzliche Funktionen) dieser Internetseite im vollen Umfang zur Verfügung steht. Bitte nutzen Sie eine aktuellere Browserversion.
Wir bitten um Ihr Verständnis.
Startseite > Forschung > KI-SIGS-Förderprogramm

KI-SIGS-Förderprogramm

„Künstliche Intelligenz als Treiber für volkswirtschaftlich relevante Ökosysteme“ - Künstliche Intelligenz-Space für intelligente Gesundheitssysteme

Verbundprojekt: Intelligenter Ultraschallaspirator

Logo_BMWEZiel von KI-SIGS ist der systematische Ausbau der internationalen Wettbewerbsfähigkeit der norddeutschen Gesundheitswirtschaft durch die Einführung von Methoden und Lösungen der Künstlichen Intelligenz (KI) in ihre Produkte und Dienstleistungen. Das Bundesministerium für Wirtschaft und Energie fördert dies als Verbundprojekt aus Wissenschaft und Industrie am Universitätsklinikum Schleswig-Holstein (UKSH) mit einer Gesamtförderleistung von 1,45 Millionen € im Zeitraum von April 2020 bis April 2023.

An diesem Verbund sind Die Klinik für Neurochirurgie des UKSH, Campus Lübeck unter der Leitung von Dr. med. Matteo Mario Bonsanto in Kooperation mit der Söring GmbH (Quickborn) und dem Institut für Robotik und Kognitive Systeme der Universität zu Lübeck im Projekt des „Intelligenten Ultraschallaspirators“ beteiligt.

KI-SIGS_Abb1_T1-gewichtete-MRT-Aufnahme-eines-glialen-Tumors-(grün-eingezeichnet)In Deutschland erkranken jährlich ca. 7000-8000 Personen an einem intrakraniellen Tumor des Zentralen Nervensystems (Abb. 1). Die meisten dieser Tumore haben ihren Ursprung in den Hirnhäuten (Meningen), dem Hirngewebe selbst (gliale Zellen) oder sind Metastasierungen anderer Primärtumore (v. a. Lungenkarzinome und Karzinome der Mamma).

Kommt eine Entfernung des Tumors (Tumorresektion) in Frage, ist das Ziel eine möglichst vollständige Entfernung. Eine Schwierigkeit bei der Tumorentfernung ist u. a. die intraoperative Tumorranderkennung. Infiltrative Tumore grenzen sich jedoch kaum von gesundem Hirngewebe ab. Dies birgt die Gefahr der Überresektion oder dem Verbleib von Resttumorgewebe. 

KI-SIGS_Abb2_Handstück-eines-Ultraschallaspirators-mit-Sonotrode-der-Fa.-Söring-GmbHDem/der Neurochirurgen*in stehen zur Tumorentfernung verschiedene Instrumente zur Verfügung. Eine Möglichkeit der Tumorentfernung ist dabei die stumpfe Resektion. Hierbei wird der Tumor durch den/die Neurochirurgen*in vorsichtig herauspräpariert, was mitunter sehr zeitaufwendig ist.

KI-SIGS_Abb3_Generator-des-Ultraschallaspirators-(Sonoca-300-der-Fa.-Söring-GmbH)Eine andere vielfach zeitsparende Möglichkeit der Tumorentfernung bietet der Ultraschallaspirator. Dieser erzeugt über einen Generator (siehe Abb. 3) Ultraschallwellen, welche über die Gerätespitze, die Sonotrode (siehe Abb. 2), auf das Gewebe übertragen werden. Die Ultraschallwellen sind in der Lage Gewebe zu zerkleinern (fragmentieren). Die Stärke der Fragmentierung wird durch die Frequenz der schwingenden Sonotrode und die Leistung bestimmt. Die zertrümmerten Gewebefragmente werden dann mit einem integrierten Spül- und Aspirationssystem aus dem Resektionsgebiet entfernt.

Intrakranielle Tumore des ZNS sind in ihrer Konsistenz höchst unterschiedlich. Dabei reichen diese von annährend flüssig bis hin zu festen Kalzifizierungen. Unterschiedliche Einstellungen der Fragmentierungsstärke ermöglichen die Resektion dieser unterschiedlichen Tumorkonsistenzen. Mit jeder Einstellungsänderung müssen zusätzlich auch Aspirations- und Spülleistung angepasst werden. Dies geschieht intraoperativ durch Anweisung des/r Operateurs*in an eine/n Operationstechnischen Assistenten*in. Je nach Heterogenität des zu resezierenden Tumors erfordert dieser Prozess viel klinische Erfahrung und kann sich mehrfach im Laufe der Operation wiederholen.

Vision dieses Projektes ist es, dem/der Neurochirurgen*in während der OP Entscheidungshilfen für die Tumorresektion bereitzustellen. Daten des Ultraschallaspirators, histologische Informationen über das Tumorgewebe, Kontextinformationen, Navigationsdaten und Elastizitätsmessungen von Gewebeproben werden hierfür gesammelt und kombiniert.

Nach erfolgter Datenaufnahme werden diese Daten am Institut für Robotik und Kognitive Systeme mit Hilfe von maschinellen Lernverfahren verarbeitet und analysiert. Geeignete Algorithmen wie beispielsweise künstliche neuronale Netzwerke (siehe Infokasten) werden dabei trainiert, um entsprechende Muster zu erkennen und Schlüsse zu ziehen.

In einem weiteren Schritt wird auf Grundlage der erhobenen Ergebnisse ein Prototyp trainiert und in einer Proof-of-Concept-Studie auf seine Einsatzfähigkeit im neurochirurgischen OP geprüft werden. Der Prototyp soll durch den trainierten Algorithmus in der Lage sein, das Gewebe des Patienten intraoperativ zu vermessen und zu klassifizieren. Der/die Neurochirurgen*in wird dadurch bei der komplexen Tumorentfernung unterstützt und die Patientensicherheit dadurch erhöht. So sollen Tumorgrenzen erkannt und die Einstellung der Fragmentierungsstärke erleichtert werden.

Exkurs: Künstliche Neuronale Netzwerke (KNN)

Künstliche neuronale Netzwerke sind datenverarbeitende Netzwerke, die den Verarbeitungsstrukturen menschlicher Neuronen nachempfunden sind. Sie bestehen im Allgemeinen aus drei Schichten. Einer Eingabeschicht, einer verborgenen Schicht und einer Ausgabeschicht.

Die Eingabeschicht nimmt die initialen Daten auf vorverarbeitet die eingehenden Informationen, filtert und gewichten sie. Der Gewichtungsprozess bestimmt, zu welchen Anteilen eine Information in die Entscheidungsfindung eingeht.

Die verborgene Schicht enthält beliebig viele Ebenen, während Ein- und Ausgabeschicht nur je eine Ebene umfassen. Sie ist die „Black Box“ des Neuronalen Netzwerkes und verarbeitet in jeder Schicht die Information der vorhergegangenen und reicht diese, wieder neu gewichtet, an die nächste weiter. Je nach Komplexität der eingehenden Informationen braucht es mehr oder weniger Ebenen, bis das Ergebnis zufriedenstellend ist.

Das Ergebnis des Prozesses innerhalb des neuronalen Netzwerkes wird in der Ausgabeschicht sichtbar. Je mehr passende Daten dem neuronalen Netzwerk zugeführt werden, umso präziser fällt das Ergebnis aus.

KNNs sind in der Lage zu lernen und dadurch Fehler zu minimieren. Daher benötigt es einen umfassenden Trainingsdatensatz. Nach erfolgreichem Lernprozess kann das KNN den Algorithmus auch auf unbekannte Daten anwenden.