KI soll Diagnostik chronischer Wunden verbessern
Universitätsklinikum Regensburg entwickelt erklärbares Assistenzsystem für Wundmedizin
Forschende des Universitätsklinikums Regensburg (UKR) haben gemeinsam mit dem Caritas-Krankenhaus St. Josef ein KI-gestütztes Assistenzsystem für die Versorgung chronischer Wunden entwickelt. Die Anwendung kann Wunden klassifizieren, diagnostische und therapeutische Empfehlungen unterstützen und den Heilungsverlauf dokumentieren. Ein besonderer Schwerpunkt liegt auf der Nachvollziehbarkeit der KI-Entscheidungen.
Das Team um Prof. Lukas Prantl und Dr. Sally Kempa entwickeln ein KI-gestütztes Assistenzsystem, um Diagnostik und Therapie chronischer Wunden zu verbessern. Foto: UKR/Vincent Schmucker
Chronische Wunden stellen Medizin und Gesundheitsversorgung vor erhebliche Herausforderungen. Betroffen sind unter anderem Patienten mit diabetischem Fußsyndrom sowie venös oder arteriell bedingten Wunden. Neben den gesundheitlichen Belastungen für die Betroffenen entstehen durch langwierige Behandlungen erhebliche Kosten und ein hoher Ressourcenbedarf.
An der Abteilung für Plastische, Hand- und Wiederherstellungschirurgie des Universitätsklinikums Regensburg sowie der Klinik für Plastische, Ästhetische, Hand- und Wiederherstellungschirurgie des Caritas-Krankenhauses St. Josef wurde deshalb ein KI-System entwickelt, das Ärzte bei Diagnostik und Therapie unterstützen soll.
Das Forschungsteam um Professor Dr. Dr. Lukas Prantl und Oberärztin Dr. Sally Kempa trainierte das System mit mehr als 1.000 Wundaufnahmen. Die KI lernt anhand der Bilder unterschiedliche Merkmale zu erkennen und zu klassifizieren. Berücksichtigt werden unter anderem Wundtiefe und -ursache, Entzündungsgrad, Gewebequalität, abgestorbene Zellen sowie die Ausdehnung der Wunde.
Auf dieser Grundlage kann das Assistenzsystem diagnostische und therapeutische Empfehlungen ableiten. Die medizinische Entscheidung verbleibt dabei bei den behandelnden Ärzten.
Grad-CAM macht Entscheidungen der KI nachvollziehbar
Eine Besonderheit der Regensburger Entwicklung ist der Ansatz der erklärbaren Künstlichen Intelligenz. Zum Einsatz kommt das sogenannte Grad-CAM-Verfahren. Dabei werden diejenigen Bereiche einer Wundaufnahme farblich hervorgehoben, die für die Bewertung durch das KI-Modell ausschlaggebend waren.
Ärzte können dadurch nachvollziehen, auf welche Bildinformationen sich eine Klassifizierung oder Empfehlung stützt. Das System soll damit gerade nicht als schwer nachvollziehbare „Black Box“ arbeiten, sondern als transparentes Assistenzwerkzeug die ärztliche Beurteilung ergänzen.
Neben der Erstdiagnostik kann die KI auch zur Verlaufsbeobachtung chronischer Wunden eingesetzt werden. Folgeaufnahmen ermöglichen es, Veränderungen und den Heilungsfortschritt zu dokumentieren. Damit könnten ungünstige Entwicklungen früher erkannt und Behandlungsstrategien entsprechend angepasst werden.
Die wissenschaftlichen Ergebnisse der Arbeitsgruppe wurden bereits in der Fachzeitschrift „Diagnostics“ veröffentlicht.
Perspektive für Telemedizin und weitere Verletzungen
Perspektivisch könnte die Technologie auch für die Beurteilung von Verbrennungen und anderen komplexen Weichteilverletzungen eingesetzt werden. Ziel der Forschungsgruppe ist es, die Wundheilung zu verbessern, Komplikationen frühzeitig zu erkennen und insbesondere bei schweren Verläufen Amputationen möglichst zu verhindern.
Potenzial sehen die Forschenden darüber hinaus für telemedizinische Versorgungskonzepte. Gerade in Regionen ohne unmittelbaren Zugang zu spezialisierten Wundzentren könnte ein KI-basiertes Assistenzsystem die medizinische Einschätzung unterstützen. Gleichzeitig könnten spezialisierte klinische Ressourcen gezielter eingesetzt werden.
Die Regensburger Entwicklung zeigt damit einen möglichen Anwendungsbereich von KI, bei dem nicht die automatisierte medizinische Entscheidung, sondern die Unterstützung des medizinischen Fachpersonals im Mittelpunkt steht. Die Kombination aus Bildanalyse, Verlaufsdokumentation und nachvollziehbarer Entscheidungsunterstützung könnte künftig zu einer stärker datenbasierten und individualisierten Wundversorgung beitragen.
