Aktive Anleitung beim Ultraschall der Harnblase mittels Reinforcement Learning

Warum bessere Blasenscans wichtig sind

Wenn jemand Probleme hat, die Blase vollständig zu entleeren, greifen Ärztinnen und Ärzte häufig auf Ultraschall zurück, um das verbleibende Urinvolumen zu bestimmen. Diese Zahl beeinflusst wichtige Entscheidungen, etwa ob ein Katheter nötig ist oder ob eine Behandlung wirkt. Eine klare, korrekt positionierte Ultraschallaufnahme der Blase zu erhalten, ist jedoch schwieriger, als es klingt — besonders für weniger erfahrenes Personal. Die Studie untersucht, wie eine Künstliche Intelligenz (KI)-Methode namens Reinforcement Learning die Person mit der Sonde in Echtzeit anleiten kann, damit sie schneller und zuverlässiger die beste Ansicht findet.

Die Herausforderung, den richtigen Winkel zu finden

Bei einem routinemäßigen Blasenscan muss die Sonde über den Unterbauch bewegt werden, um zwei Schlüsselansichten zu erfassen: eine quer zur Blase (transversal) und eine entlang ihrer Längsachse (longitudinal). Die Bildqualität hängt davon ab, wo die Sonde genau liegt und wie sie geneigt ist. Erfahrene Sonographen lernen das durch Routine, doch Anfänger verpassen leicht die ideale Ebene, was zu unscharfen Konturen und ungenauen Volumenschätzungen führt. Frühere computerbasierte Methoden versuchten, aus jedem Einzelbild die nächste Sondenbewegung vorherzusagen, gaben jedoch oft sprunghafte, inkonsistente Vorschläge und vernachlässigten wichtige Informationen zur Form der Blase.

Einer virtuellen Sonde das Erkunden beibringen

Die Forschenden bauten eine realistische Computersimulation des Blasenscannens auf Basis von 3D-Ultraschalldaten von 17 gesunden Versuchspersonen. Sie legten auf dem Unterbauch jeder Person ein Raster mit 6 × 5 Feldern an, um mögliche Sondenpositionen zu kennzeichnen, und erfassten an jeder Position Ultraschallvolumina in zwei Richtungen. Dadurch entstand eine Art Trainingsumgebung, in der sich eine virtuelle Sonde nach links, rechts, oben, unten und sogar mit kleinen Neigungen bewegen konnte — so wie ein realer Bediener. Der „Agent“ in dieser Umgebung sah nur die Bilder, nicht seine echte Position, und musste lernen, zum Rasterfeld zu navigieren, das die klarste Blasenansicht lieferte.

Wie das Lernsystem Entscheidungen trifft

Das Team verwendete eine KI-Art namens Reinforcement Learning, bei der das System Aktionen ausprobiert und dafür Belohnungen oder Strafen erhält, je nachdem, wie nützlich die Aktionen sind. Ihre Methode, Adam LMCDQN genannt, ist eine weiterentwickelte Variante eines verbreiteten Reinforcement-Learning-Ansatzes, die ihre Suche durch sorgfältig abgestimmte Zufallselemente erweitert. Der Agent erhielt höhere Belohnungen für Züge, die ihn der besten Ansicht näherbrachten, und für das Erreichen dieser Ansicht innerhalb einer begrenzten Schrittzahl. In einer weiteren Verfeinerung ließen die Forschenden einen Experten die Blase in vielen Bildern nachzeichnen. Mit diesen Segmentierungen entwarfen sie eine Belohnung, die Ansichten bevorzugte, in denen die Blase größer und zentrierter erschien, sodass der Agent lernt, auf das Organ selbst zu achten statt nur auf Abstände im Raster.

Was das System in der Praxis erreichte

Getestet an drei Versuchspersonen, deren Daten nicht für das Training verwendet wurden, übertraf das Reinforcement-Learning-System deutlich einen konventionellen Deep-Learning-Klassifikator. In der einfacheren Einstellung, bei der die Sonde nur entlang der Oberfläche verschoben, aber nicht geneigt werden konnte, erreichte die neue Methode die Zielansicht in 69 % der transversalen Scans und 51 % der longitudinalen Scans, verglichen mit 58 % bzw. 32 % beim überwachten Klassifikator. Wenn der Agent die Sonde zusätzlich neigen durfte, verbesserte sich die Leistung weiter: Die Erfolgsraten stiegen auf 81 % über den Körper und 67 % entlang der Länge. Die segmentierungsbasierte Belohnung, die explizit eine große, zentrierte Blase suchte, brachte ebenfalls einen messbaren Vorteil gegenüber einer lediglich rasterdistanzbasierten Belohnung.

Was das für Patientinnen, Patienten und Personal bedeuten könnte

Die Studie zeigt, dass es technisch möglich ist, ein KI-System zu trainieren, das eingehende Ultraschallbilder beobachtet und dem Bedienenden sagt, wie die Sonde zu bewegen ist — links, rechts, oben, unten oder neigen — um die beste Blasenansicht anzusteuern. In einem realen Gerät könnte diese Anleitung als einfache Bildschirmpfeile oder kurze Texthinweise erscheinen und Pflegekräften sowie anderem Personal an vorderster Front ermöglichen, Expertenbilder ohne jahrelange Erfahrung zu erzielen. Obwohl die Arbeiten in einer simulierten Umgebung und nur an gesunden Probanden durchgeführt wurden, legt sie den Grundstein für künftige klinische Tests und für die Erweiterung des Ansatzes auf Patientinnen und Patienten mit einem breiteren Krankheitsspektrum. Gelingt dies, könnte eine solche KI-Anleitung Blasenvolumenmessungen schneller, konsistenter und breiter verfügbar in der Routinediagnostik machen.

Zitation: Hsu, HL., Zahiri, M., Li, G. et al. Active guidance in ultrasound bladder scanning using reinforcement learning. Sci Rep 16, 5273 (2026). https://doi.org/10.1038/s41598-026-35285-z

Schlüsselwörter: Blasenultraschall, Reinforcement Learning, KI in der medizinischen Bildgebung, Sondenführung, Harnverhalt