The Application of Artificial Intelligence in Veterinary Neurology : Opportunities, Risks, and Future Perspectives

Künstliche Intelligenz (KI) ist eine transformative Technologie, die Computeralgorithmen zur Analyse und Interpretation komplexer Datensätze nutzt. KI-Technologien verändern zunehmend das moderne Gesundheitswesen und sind der Kern vieler aktuell in der Entwicklung befindlicher Anwendungen für die Diagnostik, die Unterstützung klinischer Entscheidungen und die wissenschaftliche Kommunikation. Diese Arbeit untersucht die Anwendbarkeit von zwei KI-Algorithmen in der Veterinärneurologie: Ein Convolutional Neural Network (CNN) zur Klassifizierung von MRT-Scans des Hundegehirns sowie ein Large Language Model (LLM) zur klinischen Entscheidungsfindung und zur Unterstützung beim wissenschaftlichen Schreiben in der Veterinärneurologie.

Die diagnostische Bildgebung ist eine der vielversprechendsten klinischen Anwendungen von KI-Algorithmen. Ziel erster Arbeit war es, ein CNN-Modell zu entwickeln, das MRT-Aufnahmen des Gehirns von Hunden als normal oder abnormal klassifizieren kann und dadurch eine automatisierte Läsionserkennung und effizientere Befundung ermöglicht. Das CNN-Modell wurde anhand von MRT-Datensätzen von 550 Patienten mit T1-gewichteten Sequenzen vor und nach Kontrastmittelgabe aus vier Universitäten trainiert, validiert und getestet. Unser speziell für diese Anwendung programmiertes CNN-Modell SepNetDense erreichte bezogen auf die Schnittebenen und verglichen mit den manuellen Annotationen menschlicher Experten als Goldstandard eine Genauigkeit von 74%. Eine receiver operating characteristic (ROC)-Analyse des CNN-Modells bezogen auf die Patienten ergab, dass bei einem Schwellenwert von 51% abnormalen Schnittebenen pro Patienten ein optimales Gleichgewicht von 83% Sensitivität und 78% Spezifität bei einer Genauigkeit von 80% erreicht wurde. Eine ANCOVA-Analyse ergab, dass die Institute mit ihren unterschiedlichen Geräten und Protokollen sowie die diagnostischen Kategorien der Läsionen die Faktoren mit dem stärksten und interagierendem Einfluss auf die Modellgenauigkeit waren.

Die zweite Arbeit untersuchte das Potenzial und die Grenzen des LLM ChatGPT bei der klinischen Entscheidungsfindung in der Veterinärneurologie. Zu diesem Zweck haben wir eine strukturierte, mehrphasige Bewertung der diagnostischen Leistungsfähigkeit von ChatGPT anhand von zwanzig Fällen bei Hunden durchgeführt, die vier episodische neurologische Störungen umfassten: idiopathische Epilepsie, strukturelle Epilepsie, paroxysmale Dyskinesie und Synkope. Unsere Ergebnisse deuten darauf hin, dass die diagnostische Leistungsfähigkeit von ChatGPT von verschiedenen Faktoren abhängt, insbesondere der Art und Weise wie klinische Informationen präsentiert werden, der jeweiligen Erkrankung und der Verfügbarkeit relevanter Daten im Internet. Erkrankungen, die Neurologen besser bekannt sind als der Allgemeinheit, wie z. B. paroxysmale Dyskinesie, stellten für ChatGPT eine besondere Herausforderung dar. Darüber hinaus führte die Umformulierung derselben Krankengeschichte oder Untersuchung oft zu subtil unterschiedlichen Ergebnissen, was die probabilistische und nicht deterministische Natur von LLM-basierten Modellen widerspiegelt. Diese Variabilität wirft Bedenken hinsichtlich ihrer Reproduzierbarkeit und Zuverlässigkeit im klinischen Kontext auf.

Darüber hinaus haben wir in der dritten Arbeit das Potenzial von LLMs in Bezug auf das Erstellen wissenschaftlicher Publikationen im Bereich der Veterinärneurologie untersucht. Mit Hilfe von ChatGPT haben wir drei fiktive Abstracts, Einleitungen und Referenzlisten erstellt. Anschließend haben wir dreizehn Board-zertifizierte Veterinärneurologen gebeten, die KI-generierten Inhalte und vergleichbare, von Menschen geschriebene Originalpublikationen zu lesen und in einem zweistufigen Bewertungsprozess die KI-generierten Texte zu identifizieren. Die Ergebnisse zeigten, dass die Texte von ChatGPT oft nicht von menschlichen Texten zu unterscheiden waren, insbesondere wenn die Gutachter mit dem Thema weniger vertraut waren. Unsere Ergebnisse deuten darauf hin, dass LLMs die wissenschaftliche Produktivität steigern können, werfen aber auch ethische Bedenken auf.

Zusammenfassend lässt sich sagen, dass die kontinuierliche Weiterentwicklung und Integration von KI-basierten Modellen die Analyse von MRT-Bildern sinnvoll unterstützen und zu Effizienzsteigerungen bei der klinischen Entscheidungsfindung und der Erstellung von wissenschaftlichen Publikationen führen kann. Hierbei sollten jedoch strenge Kontrollen implementiert werden, um ethische Bedenken ernst zu nehmen und die Patientensicherheit zu priorisieren.