In Deutschland erkranken 350.000 bis 500.000 Menschen im Jahr an einer Lungenentzündung. Weltweit sterben jährlich zwei bis drei Millionen Menschen an einer Pneumonie. Sie ist damit die häufigste Todesursache unter allen Infektionskrankheiten. Eine effektive Methode zur Identifikation einer Lungenentzündung ist die Erkennung mittels eines Röntgenbilds. Mit dem Aufkommen von COVID-19 sieht sich insbesondere der Gesundheitssektor einer gestiegenen Belastung ausgesetzt. Gerade bei Intensivpatienten, verursacht durch COVID-19, ist die virale Lungenentzündung einer der häufigsten Krankheitsverläufe. Durch Realisierung eines Algorithmus, der eine hohe Identifikationsrate einer Pneumonie gewährleisten kann, könnten Patienten eine frühzeitigere Behandlung erhalten. Da der Krankheitsverlauf, laut der deutschen Gesellschaft für Pneumologie und Beatmungsmedizin (2019), stark von der Zeit zwischen Infektion und erster Behandlung abhängt, kann die Wahrscheinlichkeit für einen milderen Krankheitsverlauf bzw. eine schnellere Genesung erhöht werden. Mithilfe eines neuronalen Netzes könnte das medizinische Personal bei der Auswertung von Lungen-Röntgenbildern unterstützt werden.

Ziel des Vortrags ist es einen Einstieg in die Auswertung von Lungen-Röntgenbildern, unter Einsatz eines CNNs sowie eines Siamese-Modells, zu geben und die unterschiedlichen Lösungsansätze gegenüber zustellen. Dabei wird jeweils aufgezeigt, wie die Daten verarbeitet, segmentiert, trainiert und das resultierende Netz validiert werden kann. Weiterhin wird eine prototypische Lösung präsentiert, die praktische Einsatzmöglichkeiten eines trainierten Modell aufzeigt. Die Vortragenden sehen beim Einsatz von maschinellen Lernsystemen ein nicht zu ignorierendes Potential sowohl Patienten zu schützen, als auch die Wirtschaftlichkeit der medizinischen Einrichtung zu steigern.