Das österreichische Start-up Contextflow (mit Wurzeln an der TU Wien und der Medizinischen Universität Wien) entwickelt künstliche Intelligenz, die ärztliche Befunde und Bilder aus dem Computertomografen blitzschnell mit anderen, ähnlichen Fällen vergleicht und dadurch die Diagnose deutlich einfacher, zuverlässiger und sicherer macht. Im Jahr 2020 wurde Contextflow offiziell vom TÜV zertifiziert und kann damit als Medizinprodukt verwendet werden. „Begonnen haben wir schon im Jahr 2010“, erzählt Markus Holzer, Mitbegründer und Geschäftsführer von Contextflow. Finanziert durch eine EU-Forschungsförderung entwickelte ein Team von Alumni der TU Wien ein Konzept für die automatisierte Bildersuche in der Radiologie. „Ganz entscheidend war für uns, auf große medizinische Bilddatenbanken zugreifen zu können, daher führten wir dieses Projekt an der Medizinischen Universität durch“, sagt Markus Holzer.
Wie sich bald zeigte, lässt sich die Grundidee tatsächlich umsetzen: Zu einem bestimmten Bild sucht der Computer automatisch andere ähnliche Bilder aus der Computertomografie-Datenbank. Man kann bestimmte Bildregionen markieren und bekommt ähnliche Fälle angezeigt, ohne mühsam händisch Archive durchstöbern zu müssen. Doch damit nicht genug: Contextflow durchsucht nicht nur Bilddatenbanken, sondern auch die Diagnosetexte, die dazu erstellt wurden. Automatisch bringt die Software die medizinischen Begriffe der radiologischen Befunde mit den Bilddaten in Verbindung und kann somit von sich aus eine Diagnose für ein bestimmtes Bild vorschlagen. Einfache Fälle sollen auf diese Weise viel schneller als bisher bearbeitet werden können. Bei schwierigen Fällen, für die dann mehr Zeit bleibt, erhöht der Computercode durch Anzeigen passender Vergleichsfälle die Sicherheit und Genauigkeit der Diagnose. Die Technik dahinter ist höchst komplex: „Mit gewöhnlichen statistischen Methoden ist das kaum zu machen“, sagt Markus Holzer. „Wir arbeiten daher mit neuronalen Netzen, die gezielt trainiert werden und sich selbst verbessern – man spricht von Deep Learning.“ Ähnlich wie unser Gehirn aus einem Netz von Nervenzellen besteht, deren Verbindungen beim Lernen umgebaut werden, simuliert man am Computer ein virtuelles Netz, das sich verändert und anpasst, bis es nach ausreichendem Training so konfiguriert ist, dass es schwierige Aufgaben lösen kann.