Tragbarer Ultraschall: Wie KI bei der Untersuchung anleiten könnte

Ein tragbares Ultraschallgerät kann die Bildgebung näher zu den Patientinnen und Patienten bringen, doch ein brauchbares Bild zu erhalten, erfordert weiterhin Können. An der Berner Fachhochschule (BFH) untersuchen wir, wie künstliche Intelligenz (KI) Nicht-Spezialist*innen dabei anleiten könnte und was geklärt sein muss, damit daraus ein besserer Zugang zur Gesundheitsversorgung wird.

Ein Gerät ist erst der Anfang

Stellen Sie sich eine Gesundheitsfachperson vor, die einen tragbaren Schallkopf hält, während auf einem Tablet ein Bild erscheint. Das Gerät ist vorhanden, doch eine praktische Frage bleibt: Wohin muss der Schallkopf bewegt werden, um die benötigte Ansicht zu erhalten? Diese Szene zeigt die Herausforderung im Zentrum unserer Forschung: Bildgebungsgeräte leichter tragbar zu machen, macht sie allein noch nicht leichter bedienbar.

Die Bildgewinnung im Ultraschall hängt vom Geschick der untersuchenden Person ab, die den Schallkopf positionieren und ausrichten muss. Ein sichtbares Bild ist nur ein Anfang: Für eine brauchbare Ansicht muss man wissen, wonach man suchen muss und wie man es findet. Das ist besonders dort wichtig, wo spezialisiertes Fachwissen schwer zugänglich ist.

Gemeinsam mit einem externen Partner untersuchen wir, wie KI-basierte Unterstützung bei der Untersuchung Gesundheitsfachpersonen ohne spezialisierte Ultraschallausbildung helfen könnte. Unsere Arbeit ist explorativ; dieser Beitrag beschreibt die Fragen, die sie motivieren.

Vom Bild zur umsetzbaren Empfehlung

Wir stellen uns einen Rückkopplungskreislauf vor (Abbildung 2). Eine Software würde das eingehende Ultraschallbild beurteilen, berücksichtigen, wie gut die relevante Anatomie sichtbar ist, und eine Anpassung vorschlagen. Die Gesundheitsfachperson würde diese Empfehlung umsetzen und damit ein neues Bild erzeugen, das wiederum beurteilt wird. Verwandte Ideen wurden in definierten Aufgaben klinisch untersucht. In einer kardiologischen Studie erzeugten Pflegefachpersonen ohne Vorerfahrung in Echokardiografie nach einem Training mit KI-Anleitung Bilder diagnostischer Qualität für mehrere vordefinierte Beurteilungen [5]. Eine separate Studie zum Lungenultraschall zeigte, dass Gesundheitsfachpersonen mit KI-Anleitung Bilder gewinnen konnten, die vordefinierte Kriterien diagnostischer Qualität erfüllten [1]. Dies sind anwendungsspezifische Ergebnisse; sie zeigen nicht, dass ein einzelnes System für alle Organe funktioniert.

Eine Aufforderung wie «Schallkopf im Uhrzeigersinn drehen» macht die Idee greifbar, denn sie übersetzt die Bildanalyse in etwas, das die untersuchende Person tun kann. Eine solche Aufforderung zuverlässig zu liefern, erfordert jedoch mehr, als ein unklares Bild zu erkennen: Das System muss auch beurteilen, ob eine bestimmte Anpassung voraussichtlich hilft. Das Beispiel veranschaulicht eine vorgeschlagene Interaktion, keine bestehende Fähigkeit.

Unser Vorhaben beruht auf drei Elementen: Bilder beurteilen, verständliche Anleitungen geben und Informationen effizient genug für den Einsatz auf einem tragbaren Gerät verarbeiten. Die Rückmeldung muss schnell genug eintreffen, um relevant zu bleiben, während die Person den Schallkopf bewegt. Geschwindigkeit, Bildbeurteilung und die begrenzte Rechenleistung eines tragbaren Geräts in Einklang zu bringen, ist daher Teil der Forschungsfrage.

Wir konzentrieren uns auf die Bildgewinnung; die Interpretation des Bildes zur Diagnosestellung ist eine separate Aufgabe.

Abbildung 1: Aufbau für tragbare Ultraschallbildgebung: handgehaltener Schallkopf (links) und tabletbasierte B-Mode-Anzeige (rechts).

 Abbildung 2: Konzeptioneller Anleitungskreislauf. Eine Software würde ein Bild beurteilen und eine Anpassung vorschlagen; die Gesundheitsfachperson würde die Empfehlung umsetzen und ein neues Bild aufnehmen. Die Abbildung beschreibt ein Forschungsziel, keine validierte Systemarchitektur.

Was würde eine Anleitung in der Praxis nützlich machen?

Eine Anleitung kann nur so gut sein wie das Verständnis des Systems für das, was der Schallkopf zeigt. Ultraschall ist für maschinelles Sehen ein anspruchsvolles Umfeld: Die Bilder sind verrauscht, die Helligkeit variiert über das Sichtfeld, und dieselbe Anatomie sieht je nach Position des Schallkopfs und je nach Patientin bzw. Patient anders aus. Frühere Ultraschallforschung kombinierte bereits lokale und globale Bildstatistiken in einem adaptiven Segmentierungsverfahren, das mit Rauschen und räumlich ungleichmässiger Intensität umgehen sollte [2]. Bevor eine Software Hinweise geben kann, wohin man sich bewegen soll, muss sie erkennen, welche Strukturen sichtbar sind und welche fehlen.

Deshalb betrachten wir das Bildverständnis als Grundlage für die Anleitung. Segmentierung trennt ein Bild in sinnvolle Regionen. Zusammen mit einem breiteren Verständnis der Anatomie würde sie einem Anleitungssystem etwas Konkretes zum Schlussfolgern geben: was im Bild zu sehen ist, wie deutlich und was eine bessere Ansicht enthielte. Unsere aktuelle Arbeit untersucht deshalb die Ausgabe tragbarer Geräte und deren Verarbeitung. Dabei bearbeiten wir einzelne Komponenten, bevor wir versuchen, sie zu einem Gesamtsystem zu verbinden.

Neuere Forschung zu Ultraschall-Foundation-Modellen deutet auf einen Weg zu einem solchen Verständnis hin. Diese Modelle lernen wiederverwendbare Merkmale aus grossen Bildsammlungen und lassen sich anschliessend an unterschiedliche Organe und Aufgaben anpassen. So wurde USFM selbstüberwacht auf einer Multiorgan-Ultraschalldatenbank mit mehr als zwei Millionen Bildern vortrainiert. In den berichteten Experimenten erzielte es bei Segmentierung und Klassifikation starke Ergebnisse im Vergleich zu repräsentativen Modellen der Ultraschallbildanalyse [4]. Klassifikation ordnet Bilder Kategorien zu. Die Wiederverwendung eines gemeinsamen Modells könnte den Bedarf an annotierten Daten pro Anwendung senken. Ob ein solches Modell für ein bestimmtes Gerät, eine klinische Aufgabe und einen Ablauf mit Live-Anleitung geeignet ist, müsste weiterhin evaluiert werden.

Ein Bild zu verstehen heisst nicht, zu wissen, wie es sich verbessern lässt. Ein Verfahren könnte die Anatomie durchgehend erkennen und dennoch zu wenig Information liefern, um eine hilfreiche Anpassung auszuwählen. Die Evaluation der Bildanalyse beantwortet deshalb eine andere Frage als die Evaluation der Anleitung für Anwender*innen. Beides zu verbinden, erfordert eine klare Vorstellung davon, welche Information die Anleitung benötigt und wie die Bildanalyse sie liefern kann.

Wie liesse sich feststellen, ob es hilft?

Klinische Fachpersonen, technische Forschende und der Gerätepartner tragen jeweils zur Beantwortung von drei Fragen bei. Die technische Leistung allein beschreibt nicht, wie ein System in der Praxis funktioniert. Die DECIDE-AI-Richtlinie zur Berichterstattung über die frühe klinische Evaluation von KI-basierten Entscheidungsunterstützungssystemen betont ähnlich, dass nicht nur das KI-System selbst beschrieben werden sollte, sondern auch seine Interaktion mit den Anwender*innen und dem klinischen Einsatzumfeld [7].

Hilft die Empfehlung den Anwender*innen, das gewünschte Bild zu erhalten? Eine aussagekräftige Beurteilung würde mit einer definierten klinischen Aufgabe und Kriterien für die Brauchbarkeit eines Bildes beginnen, die klinische Fachpersonen mit festlegen müssten. Der Vergleich der Bildgewinnung mit und ohne Anleitung unter geeigneten Bedingungen könnte dann zeigen, ob die Unterstützung einen Unterschied macht. Datenerhebung und Evaluationsdesign müssen noch festgelegt werden; dies sind Fragen für künftige Arbeiten, keine Ergebnisse einer abgeschlossenen Studie.

Können Anwender*innen die Empfehlung verstehen und ihre Grenzen erkennen? Ein technisch plausibler Vorschlag ist nur nützlich, wenn die Person ihn umsetzen kann. Bessere Bilder und schnellere Untersuchungen sind zudem getrennte Ergebnisse: In einer Laborstudie nahmen Personen ohne Vorerfahrung eine fokussierte Ultraschallansicht des Abdomens auf. Mit KI-Anleitung war die diagnostische Bildqualität höher, die Untersuchungszeiten waren zunächst jedoch länger [3]. Die Evaluation sollte untersuchen, wie Menschen Anweisungen interpretieren, welche Schulung sie benötigen und was geschieht, wenn das System keine verlässliche Anleitung geben kann. Die Unterstützung sollte das professionelle Urteil stützen und ihre Grenzen deutlich machen. Das Ziel, Nicht-Spezialist*innen zu helfen, heisst nicht, dass sich Schulung erübrigt.

Kann der Ansatz im vorgesehenen Umfeld funktionieren? Die tragbare Verarbeitung ist eine Anforderung; ebenso wichtig ist der umgebende Arbeitsablauf. Wir müssen klären, wie Bilder erfasst und verarbeitet werden, wie die Unterstützung in die klinische Praxis passt und wann die Unterstützung durch Spezialist*innen nötig ist.

Von breiterer Verfügbarkeit zu sinnvollem Zugang

Für die Gesundheitsfachperson im einleitenden Szenario ist der potenzielle Nutzen konkret: Hilfe im Moment der Unsicherheit, wie sich eine brauchbare Ansicht gewinnen lässt. Sollte sich diese Unterstützung als wirksam erweisen, könnte sie die tragbare Bildgebung dort besser nutzbar machen, wo Fachwissen und Ressourcen begrenzt sind. Eine Forschungsarbeit in Sambia verfolgte einen anderen Weg, um Hürden beim Fachwissen zu senken: Ungeschulte Pflegehebammen nahmen mit kostengünstigen, batteriebetriebenen Ultraschallgeräten «blinde» Sweeps auf, aus denen das Gestationsalter geschätzt wurde [6]. Diese Arbeit interpretiert aufgezeichnete Sweeps, statt Schallkopfbewegungen anzuleiten. Eine Anleitung könnte auch das Lernen unterstützen; dieser Nutzen müsste jedoch separat evaluiert werden.

Dies ist unsere gesellschaftliche Motivation. Ein besserer Zugang zur Gesundheitsversorgung und weniger Ungleichheiten sind beabsichtigte Beiträge, keine Ergebnisse, die durch unsere explorative Arbeit belegt wären. Ihre Verwirklichung hinge nicht nur von der technischen Leistungsfähigkeit ab, sondern auch davon, wie ein funktionierendes System die Menschen erreicht und ihre Praxis unterstützt.

Eine fokussierte klinische Anwendung würde dieses Ziel überprüfbar machen. Statt den Erfolg an einem breiten Versprechen der Unterstützung für viele Organe zu messen, können wir fragen, ob die Anleitung einer bestimmten Gruppe von Anwender*innen bei einer klar definierten Aufgabe hilft.

Zugang muss nutzbare Unterstützung einschliessen

Tragbarer Ultraschall und KI-Anleitung könnten sich ergänzen: Das eine bringt die Geräte näher dorthin, wo sie gebraucht werden, das andere soll helfen, brauchbare Bilder zu gewinnen. Unsere Forschung befasst sich mit der Lücke zwischen diesem Versprechen und einem verlässlichen Werkzeug. Die breitere Lehre für die digitale Transformation lautet: Zugang bedeutet mehr als der Besitz von Technologie. Er erfordert auch Unterstützung, die Menschen verstehen und wirksam nutzen können, sowie Belege dafür, wo diese Unterstützung hilft und wo ihre Grenzen liegen.

Literatur

[1] Cristiana Baloescu, John Bailitz, Baljash Cheema, et al. Artificial intelligence–guided lung ultrasound by nonexperts. JAMA Cardiology, 10(3):245–253, 2025.

[2] Djamal Boukerroui, Atilla Baskurt, J. Alison Noble, and Olivier Basset. Segmentation of ultrasound images—multiresolution 2D and 3D algorithm based on global and local statistics. Pattern Recognition Letters, 24(4–5):779–790, 2003.

[3] I-Min Chiu, Chun-Hsiang Ryan Lin, Fu-Fan Frank Yau, et al. Use of a deep-learning algorithm to guide novices in performing focused assessment with sonography in trauma. JAMA Network Open, 6(3):e235102, 2023.

[4] Jing Jiao, Jin Zhou, Xiaokang Li, Menghua Xia, Yi Huang, Lihong Huang, Na Wang, Xiaofan Zhang, Shichong Zhou, Yuanyuan Wang, and Yi Guo. USFM: A universal ultrasound foundation model generalized to tasks and organs towards label efficient image analysis. Medical Image Analysis, 96:103202, 2024. https://doi.org/10.1016/j.media.2024.103202.

[5] Akhil Narang, Richard Bae, Hyung Hong, et al. Utility of a deep-learning algorithm to guide novices to acquire echocardiograms for limited diagnostic use. JAMA Cardiology, 6(6):624–632, 2021.

[6] Teeranan Pokaprakarn, Juan C. Prieto, Joan T. Price, et al. AI estimation of gestational age from blind ultrasound sweeps in low-resource settings. NEJM Evidence, 1(5):EVIDoa2100058, 2022.

[7] Baptiste Vasey, Myura Nagendran, Bruce Campbell, et al. Reporting guideline for the early-stage clinical evaluation of decision support systems driven by artificial intelligence: DECIDE-AI. Nature Medicine, 28:924–933, 2022.