Künstliche Intelligenz für eine präzisere Arthritis-Diagnostik

Univ.-Prof. Dr. Daniel Aletaha: AutoPiX ermöglicht es, kleinste Veränderungen in der Bildgebung zu erfassen und aus Routineaufnahmen verwertbare Biomarker zu extrahieren – ähnlich wie Labortests. Ein Röntgenbild allein liefert Rohdaten, die erst durch eine automatisierte Analyse zu diagnostisch relevanten Parametern werden. KI-gestützte Verfahren können beispielsweise Erosionen an Gelenken quantifizieren und über die Zeit verfolgen, was besonders bei chronischen Erkrankungen von Vorteil ist. Bildgebungsbiomarker entstehen in mehreren Schritten: Zunächst werden relevante Merkmale wie synoviale Dicke, Entzündung (z. B. Power-Doppler-Signal im Ultraschall) oder Knochenmarködem (im MRT) identifiziert und quantifiziert. Um eine umfassende Bewertung zu ermöglichen, werden diese Parameter über verschiedene Gelenkregionen hinweg zusammengeführt. Daraus lassen sich standardisierte Scores ableiten, die sich als Verlaufsmarker eignen.

Neben Röntgenbildern werden auch Magnetresonanz- und Ultraschallbilder analysiert. Während MRT-Daten seltener sind, liefern sie detailliertere Informationen. Der Ultraschall ist hingegen stark untersucherabhängig – daher wird in einem Teilprojekt ein robotergesteuertes Ultraschallsystem erprobt, das standardisierte, vergleichbare Aufnahmen erstellt. Ein Algorithmus wertet diese dann automatisiert aus.

Das Ziel ist, aus jeder Bildgebung maximale Information zu gewinnen. AutoPiX bringt Röntgenbilder näher an Ärzt:innen und Patient:innen, indem es mithilfe von KI neue Informationen extrahiert. Dadurch beeinflusst die Bildgebung Therapieentscheidungen unmittelbarer – etwa bei der Auswahl und Verlaufskontrolle von Behandlungen. Ein weiterer wichtiger Aspekt des Projektes sind klinische Studien, insbesondere zum Screening. Moderne Bildgebungsverfahren sollen helfen, Risikopatient:innen frühzeitig zu identifizieren, etwa basierend auf genetischen Markern oder Familienanamnese.

Das Projekt konzentriert sich auf entzündliche rheumatologische Erkrankungen, insbesondere rheumatoide Arthritis, Psoriasis-Arthritis und axiale Spondylarthritis. Diese drei immunvermittelten, chronisch entzündlichen Erkrankungen wurden gewählt, da sie eine longitudinale Beurteilung erfordern und Entzündung sowie strukturellen Schaden verursachen.

Eines vorweg: Hausärzt:innen verfügen über ein enormes, breit gefächertes Wissen. Eine gezielte rheumatologische Diagnostik ist aber im hausärztlichen Setting kaum möglich. Die Früherkennung rheumatologischer Erkrankungen – insbesondere subtile Veränderungen im Ultraschall – erfordert im Regelfall eine spezialisierte Erfahrung und auch Zeit, eine immer seltener werdende Ressource. Mit dem Einsatz von KI kann die allgemeine Diagnostik wertvoller gemacht werden. Es geht aber nicht nur um ärztlich angefertigte Bildbefunde, sondern auch um Self-Monitoring-Tools. Ein in Lausanne entwickelter Algorithmus kann anhand der Hautfalten an den Fingergelenken sehr früh erkennen, ob ein Gelenk Entzündungszeichen zeigt bzw. ob eine tiefergehende fachärztliche Kontrolluntersuchung vonnöten ist. Die Bilder werden mit dem Smartphone von den Patient:innen selbst angefertigt. Solche Systeme ermöglichen eine frühzeitige Erkennung, Verlaufskontrolle und Behandlung, während sie zugleich die begrenzten Ressourcen in der Rheumatologie berücksichtigen.

Die KI kann Radiolog:innen entlasten, indem sie aus großen Bildmengen verdächtige Areale hervorhebt. In der Radiologie könnte die KI Points of Interest markieren, sodass Spezialist:innen gezielt auffällige Regionen bewerten und Patient:innen früher identifizieren können.

Das Projekt ist in acht Work Packages gegliedert, die unterschiedliche Aspekte der Bildgebungsanalyse abdecken. Jedes Work Package hat über die fünf Jahre hinweg definierte Meilensteine und Deliverables, um den Fortschritt zu sichern.
Bezogen auf die automatisierte Bildauswertung gibt es drei zentrale Phasen:
In der ersten Phase werden Röntgenbilder aus verschiedenen akademischen und industriellen Partnerprojekten in einem zentralen Repository (Data Lake) zusammengeführt. Dadurch entsteht eine der größten verfügbaren Datenbanken für Arthritis-Patient:innen.
In der zweiten Phase wird ein KI-gestützter Algorithmus zur automatisierten Bildauswertung entwickelt und anschließend mit zuvor unbekannten Daten validiert, um seine Zuverlässigkeit zu testen.
Die dritte Phase fokussiert sich auf die praktische Anwendung: Der entwickelte Score soll Ärzt:innen eine objektive, reproduzierbare Bewertung ermöglichen, die unabhängig von individueller Erfahrung ist. Das erleichtert nicht nur die Bildinterpretation, sondern auch die langfristige Beurteilung des Krankheitsverlaufes.

In Europa arbeiten wir mit führenden Zentren wie der Charité, Herne, Lausanne, London und Kopenhagen zusammen, die über umfangreiche Routinebildarchive verfügen.
Zudem stellen Industriepartner Bilddaten aus tausenden Patient:innen ihrer klinischen Studien bereit. Die Zusammenführung dieser einzigartigen Bildersammlung erfordert jedoch komplexe Data-Sharing-Vereinbarungen und administrative Klärungen.

Neben der retrospektiven Analyse bestehender Bilddaten laufen sieben prospektive klinische Studien. Ein Beispiel ist die KI-gestützte Analyse von Handfotos und -videos, die anhand der Faustbewegung frühe Anzeichen rheumatologischer Erkrankungen erkennt. Obwohl diese Technologie bereits existiert, fehlt bislang der klinische Nachweis ihrer Wirksamkeit. Die Studien sollen den klinischen Mehrwert belegen und den Weg für eine breitere Anwendung ebnen.