keyboard_arrow_left Zurück
  • Home
  • Biomedizin
  • Künstliche Intelligenz in Medizinprodukten

Flow Measurement

Künstliche Intelligenz in Medizinprodukten

Von Frank Schadt, IMT Switzerland

Es gibt ein enormes Potenzial für KI-Algorithmen in der Medizintechnik. Anonyme Behandlungsdaten können in Therapieempfehlungen verdichtet werden. Die Diagnostik von Geräten kann verbessert und die Lebensdauer erhöht werden. Darüber hinaus werden Kontroll- und Regelungsaufgaben bereits teilweise von neuronalen Netzwerken, Entscheidungsbäumen und ähnlichen Methoden übernommen.

Allerdings stellt die Medizintechnologie auch hohe Anforderungen an KI- und ML-Systeme. Falsche Entscheidungen können drastische Folgen haben. Das Verhalten eines neuronalen Netzwerks kann schwieriger vorherzusagen sein als das eines von Menschen entwickelten Algorithmus. Es besteht ein dringender Bedarf an regulatorischen Richtlinien, um die Sicherheit von KI-Systemen in der Medizintechnologie zu gewährleisten. Daher arbeiten die Mitarbeiter der Swiss IMT Information Management Technology AG aus Buchs seit Jahresbeginn im IEC PT63450-Standardskomitee – „Künstliche Intelligenz-unterstützte Medizinprodukte – Methoden zur technischen Überprüfung und Validierung“.

Die Prozessorleistung von eingebetteten Geräten in medizinischen Geräten ist oft um Größenordnungen niedriger als die eines Multimedia-PCs oder einer Produktionsanlage. Typische Prozessoren in eingebetteten Systemen sind daher oft nicht leistungsstark genug, um komplexe Lernaufgaben zu bewältigen. Dennoch kann ein großer Teil der beliebten KI-Algorithmen problemlos in diese integriert werden, wenn der PC oder Server das Training übernimmt. Dies liegt daran, dass das Training in den meisten Fällen rechnerisch viel intensiver ist als die anschließende Anwendung (Inference).

Dies gilt sowohl für künstliche neuronale Netze (ANNs) als auch für Support-Vektor-Maschinen, Entscheidungsbäume und viele andere. Bayes-Netzwerke sind ein Gegenbeispiel: Hier ist die Inferenz ebenfalls rechenintensiv. Das liegt daran, dass bedingte Wahrscheinlichkeiten durch numerische Integration über mehrere Variablen berechnet werden müssen.

Lesen Sie hier den vollständigen Artikel (Deutsch)

Abonnieren Sie unseren Newsletter

Abonnieren Sie unseren Newsletter, um die neuesten Updates zu unseren Geräten zu erhalten. Webinare, wo Sie uns auf Messen treffen können, und andere spannende Neuigkeiten aus der Welt der Gasdurchflussmessung.

Wunschliste Produkte

Sie haben keine Artikel in der Wunschliste.