Maschinelles Lernen
Wie KI die Medizin revolutioniert
Bild: 2020 Natali _ Mis/Shutterstock.
Die Medizin steht vor einer weiteren Revolution: Künstliche Intelligenz unterstützt Ärzte bei der Analyse von Röntgen- und Ultraschallbildern sowie bei Diagnostik und Behandlung. Auch in Deutschland arbeiten Forscherinnen und Forscher erfolgreich an neuartigen Lösungen – wichtig ist dabei ein guter Zugang zu Daten.
Dies ist die Geschichte einer ungewöhnlichen Schatzsuche. Der Schatz ist nicht im Wald zu finden, sondern zwischen all den Daten, die im Gesundheitssystem ständig anfallen: Blutdruckmessungen, Blutwerte, Sauerstoffsättigung zum Beispiel oder auch unter dem Mikroskop untersuchten Blutzellen, Ultraschall- und MRT-Aufnahmen. Anders als bei einer normalen Schatzsuche zeigt sich der Wert erst, wenn möglichst viele Daten genau betrachtet werden. Der Schatz besteht aus neuen Informationen, die erfasst werden durch Computerprogramme, die selbstständig lernen und immer besser werden. Der Einsatz von künstlicher Intelligenz in der Medizin wird in den nächsten Jahren eines der dominierenden Riesenthemen in der Gesundheitsforschung sein. Wo stehen wir – und welche Perspektiven gibt es?
Der Computer kann „überwacht“ lernen
Von Künstlicher Intelligenz spricht man, wenn Computerprogramme fähig sind zu lernen. Und für dieses Lernen gibt es vor allem zwei Wege. Den einen Weg kann man als „überwachtes Lernen“ bezeichnen: Vereinfacht gesagt, zeigen die Forscher dem Computer sehr viele ähnliche Dinge und vermitteln ihm dabei je nach Fragestellung, was richtig oder falsch ist, gesund oder pathologisch, eine bestimmte Zellformation oder eben nicht die gewünschte Zellformation. Die Idee dahinter: Wenn der Computer genügend Input bekommen hat, kann er selbst die Unterscheidung treffen. Auf diese Weise kann er den Medizinern nicht nur eine Menge Arbeit abnehmen, es kann auch die Qualität der Diagnose und der Behandlung verbessern.
Julia Schnabel ist Professorin für Computational Imaging and AI in Medicine an der Technischen Universität München und Direktorin des Institute for Computational Imaging and AI in Medicine bei Helmholtz Munich, Bild: privat
Ein Programm misst bei Schwangeren die Plazenta aus
Julia Schnabel, Professorin für Computational Imaging and AI in Medicine an der Technischen Universität München und Direktorin des Institute for Computational Imaging and AI in Medicine bei Helmholtz Munich, geht mit ihren Forschungsgruppen diesen Weg. Sie betreut nicht nur ein bestimmtes Projekt, sondern gleich mehrere. „Und es könnten noch mehr Anwendungen werden, wenn wir die entsprechenden Daten in ausreichenden Mengen hätten“, sagt Julia Schnabel. Mit ihrem Team trainiert sie unter anderem gerade einen Algorithmus, um die Plazenta bei schwangeren Frauen zu vermessen. Die Plazenta, im Volksmund auch als Mutterkuchen bekannt, ist das Organ der Mutter, das den Fetus mit Nahrung versorgt. Ist die Plazenta zu klein, kommt es zu einer Unterversorgung des Ungeborenen. Ist die Schwangerschaft schon weit genug fortgeschritten, kann es erforderlich sein, das Kind früher zur Welt zu bringen, damit dieser keine bleibenden Schäden entwickelt. Weil die Größe der Plazenta schwierig zu ermitteln ist, achten die Ärzte bei den Kontrolluntersuchungen zurzeit vor allem auf das Wachstum des Fetus – und bemerken damit eine Unterversorgung meist relativ spät.
„Wir haben eine Konstruktion mit mehreren Ultraschallköpfen gebaut, die es Ärztinnen und Ärzten erlauben soll, das Volumen der Plazenta mithilfe des Computers auszumessen“, erklärt Julia Schnabel. Der Computer kann an den verschiedenen Schallköpfen fast gleichzeitig Abbildungen speichern und dann daraus das Volumen der Plazenta bestimmen. Voraussetzung dafür ist, dass der Computer die Plazenta und ihre Umrisse erkennt. „Dazu braucht der Computer sehr viele Ultraschallaufnahmen, in denen die Plazenta markiert ist. Die Daten von Ultraschallaufnahmen sind glücklicherweise leicht zu gewinnen: Es ist weder mit Risiken, noch mit Umständen für die Patientinnen verbunden“, sagt Schnabel.
Audio-Exkurs: Was ist maschinelles Lernen?
Im Gespräch mit unserem Podcast-Moderator erklärt Julia Schnabel, wie maschinelles Lernen funktioniert und warum der Begriff nicht ideal ist.
Der Computer als Sparring-Partner für die Ärztin oder den Arzt
Der Ansatz hat funktioniert: Das Computerprogramm misst nicht nur die Größe der Plazenta recht gut aus. „Wir haben unseren Algorithmus mit weiteren Daten gefüttert, so dass er auch Organe und Körperteile des Fetus erkennt. Das Programm kann für die Ärztinnen und Ärzte am Ultraschallkopf bereits Hilfestellungen geben, wenn es etwa darum geht, das Kind zu schallen“, erklärt Schnabel. Ziel sei es nicht, die Experten abzulösen, sondern sie zu unterstützen: „Wenn es darum geht zu beurteilen, ob ein Kind früher geholt werden soll oder nicht, dann wird auch in Zukunft immer eine Ärztin oder ein Arzt die Entscheidung treffen.“ Allerdings werden die Expertinnen und Experten dank der Computer-Algorithmen künftig eine bessere Grundlage für seine Entscheidung haben. Eine kluge künstliche Intelligenz könnte so künftig für die Fachleute in manchen Bereichen eine Art Sparringpartner werden.
Die Plazentavermessung von Schnabels Team ist ein typisches Beispiel dafür, wie künstliche Intelligenz die Medizin voranbringen, in einigen Bereichen auch regelrecht revolutionieren könnte: Der Computer wird mit Daten gefüttert, lernt dazu – und liefert Erkenntnisse, die Menschen neues Wissen bringen.
Blutanalysen digital
Der Physiker Carsten Marr will besser verstehen, wie "überwachtes Lernen" funktioniert. Bild: Helmholtz Munich
Einen ähnlichen Weg geht der Physiker Carsten Marr von Helmholtz Munich mit seinen Kolleginnen und Kollegen. Die Forscherinnen und Forscher haben sich etwas ausgesucht, wofür Mediziner weltweit über Stunden und Tage am Mikroskop sitzen: Bei Verdacht auf Blutkrebs werden in einem sogenannten Blutausstrich mehrere Hundert Zellen von Histologen begutachtet und klassifiziert. Anhand der Ergebnisse zeigt sich, ob und in wie weit die Patientin oder der Patient tatsächlich an einer ähnlichen Erkrankung – zum Beispiel Blutkrebs – leidet und wie eine mögliche Therapie verlaufen kann.
Marr und sein Team haben ein sogenanntes neuronales Netzwerk mit Hunderttausenden von Bildern einzelner weißer Blutzellen und der Information des Zelltyps gefüttert. Und das mit Erfolg: Die Zelltypvorhersagen, die das Programm von Marr auf neuen Bildern liefert, sind ähnlich gut wie die Ergebnisse der Histologen. „Ein neuronales Netzwerk ist eine Art Black Box. Es lernt und kann dann selbst neue Zellen klassifizieren, aber im Detail wissen wir nicht, nach welchen Kriterien es entscheidet“, sagt Marr. Deshalb arbeitet er zurzeit daran, diese Kriterien besser zu verstehen: „Die Kriterien können nicht nur hilfreich für Histologen sein. Es ist uns auch wichtig, den Entscheidungsprozess zu verstehen, um mögliche Fehler und ein Lernen in die falsche Richtung zu vermeiden“, ergänzt Marr.
Der Physiker erklärt das an einem Beispiel: „Wenn ich einem Computerprogramm beibringen möchte, einen Hund von einem Wolf zu unterscheiden und ihm zahllose Bilder zeige, dann lernt es womöglich, dass der Wolf immer im Wald abgebildet ist, während der Hund in Zimmern und gepflegten Gärten zu sehen ist.“ Wenn das Programm anhand dieser Kriterien entscheidet, wird es falsche Entscheidungen treffen, also zum Beispiel einen Hund im Wald als Wolf klassifizieren. „Gerade in der Medizin geht es also darum, diese Black Box des maschinellen Lernens zu nutzen, aber auch zu verstehen, wie sie tickt“, erklärt Marr. Denn erst dann könnten Computer vertrauenswürdige Assistenten für Mediziner werden.
Unüberwachtes Lernen
Fabian Theis, Direktor des Institute of Computational Biology bei Helmholtz Munich. Bild: Helmholtz Munich
Aber es gibt noch einen anderen Weg, um künstliche Intelligenz anzuwenden. Diesen Weg kann man als „unüberwachtes Lernen“ bezeichnen, und er wird unter anderem beschritten von Fabian Theis, Direktor des Institute of Computational Biology bei Helmholtz Munich. Im Gegensatz zum „überwachten Lernen“ bekommt der Rechner beim „unüberwachten Lernen“ möglichst wenig Hilfestellung. Fabian Theis beschäftigt sich mit der sogenannten Einzelzellanalyse: Dabei bekommt der Computer Daten über jeweils einzelne Zellen und ihren Stoffwechsel – und er muss darin Muster finden. „Wir sagen dem Computer nicht, was richtig oder falsch ist, sondern wir geben ihm nur ein paar Zusatzinformationen. Im Idealfall findet er heraus, welche Gemeinsamkeiten es bei bestimmten Eigenschaften gibt“, erklärt Theis.
In der Praxis könnte das in der Zukunft zum Beispiel heißen: Der Computer vergleicht den Stoffwechsel von Zellen in der Bauchspeicheldrüse von Menschen mit Diabetes mit dem Stoffwechsel von Zellen in der Bauchspeicheldrüse von Gesunden – und findet dabei heraus, was bei den defekten Zellen der Diabetes-Patienten anders ist. Im nächsten Schritt kann man dann zukünftig spezifische Medikamente suchen, um die entsprechenden Zellstoffwechselveränderungen zu reparieren.
Gut 250 Kilometer entfernt von Theis forscht Lena Maier-Hein, Professorin für computergestützte medizinische Eingriffe mit Schwerpunkt auf chirurgischer Datenwissenschaft und Computergestützter Biophotonik am Deutschen Krebsforschungszentrum (DKFZ) an weiteren Anwendungen von künstlicher Intelligenz. Die KI-Expertin versucht unter anderem, auf Basis spezieller Spektralkamera-Daten mit Hilfe des Computers die Durchblutung von Gewebe zu messen, es zu charakterisieren und zu differenzieren – dank der Technik gelingt das wesentlich präziser, als es das menschliche Auge jemals tun könnte. Die Ergebnisse werden zukünftig zu einer deutlichen Verbesserung der Krebsdiagnostik beitragen. Die Informatikerin sieht nicht nur viel Potential in der Anwendung von künstlicher Intelligenz bei der Bildinterpretation, sondern auch bei der Entscheidungsfindung. Chirurgische Eingriffe zum Beispiel könnten bald mit Hilfe von KI optimiert werden: Während heute ein interdisziplinäres Team von Expertinnen und Experten aufgrund individueller Erfahrungen über die Behandlung der Patienten entscheidet, können in naher Zukunft Erfahrungen aus vergangenen Operationen in die Entscheidungsfindung einfließen.
Datenwissenschaften in der Chirurgie
„In der Chirurgie gibt es in den Krankenhäusern Millionen abgeschlossener Fälle. Mit einer Auswertung der Fälle über künstliche Intelligenz können wir die Erfahrungen aus diesen Behandlungen zukünftig teilen, auswerten und nutzen, um Patienten bestmöglich zu behandeln“, so Lena Maier-Hein. Bestes Beispiel für erste Durchbrüche in der medizinbasierten KI ist die Bildanalyse. In großen Krebsbehandlungszentren greifen Strahlentherapeuten bei der Markierung von Tumorgewebe bereits auf Algorithmen zurück. Mit dem Bereich ist Lena Maier-Hein vertraut, denn die Abteilung Medizinische Bildverarbeitung am DKFZ leitet ihr Ehemann Klaus Maier-Hein. Ihm gelang es, einen vielseitig einsetzbaren Algorithmus zur Analyse von Bildern mittels KI zu entwickeln. Der Vorteil von Klaus Maier-Hein: Für seine Forschung liegen bereits seit Jahren immense Datenmengen aus der vorhandenen Bildgebung vor. Bei der Chirurgie hingegen fehlt es Lena Maier-Hein noch an Daten – diese werden vor, während und nach der OP meist nicht aufgezeichnet oder zumindest nicht permanent gespeichert. Selbst wenn Informationen vorliegen, sind sie aufgrund bürokratischer Hürden häufig nicht nutzbar. Da die Daten ein entscheidender Faktor für ihre Forschung sind, hat Lena Maier-Hein eine Idee: „Analog zu einem Organspendeausweis, könnte man einen Datenspendeausweis für Patientendaten einführen. Auf diese Weise könnte jeder Patient und jede Patientin letztlich helfen, die Chirurgie mittels künstlicher Intelligenz zu revolutionieren.“
Das Problem: Das Gesundheitssystem in Deutschland ist enorm fragmentiert
Klar ist: Um Durchbrüche zu erzielen, benötigt die Forschung enorme Datenmengen. Und die sind vor allem nicht in Deutschland nicht immer verfügbar, weiß auch Julia Schnabel zu berichten: „Ultraschallaufnahmen von der Plazenta lassen sich noch einigermaßen gut gewinnen, Arzt oder Ärztin fragt die Patientinnen nach ihrer Einwilligung und zeichnet die Ultraschalluntersuchung auf. Bei vielen anderen Daten ist es in Deutschland allerdings schwierig, die Informationen in einem einheitlichen, vergleichbaren Format zu bekommen.“ Das liege vor allem daran, dass hierzulande das Gesundheitssystem enorm fragmentiert sei. In jedem Bundesland gibt es ein eigenes Gesundheitsministerium, und jedes Krankenhaus sammelt Daten auf seine eigene Weise. „Das Gesundheitssystem und auch der Umgang mit den Daten ist in Deutschland in viele Segmente aufgeteilt – das erschwert vieles“, sagt Schnabel.
Die Computerwissenschaftlerin ist erst vor wenigen Monaten von einem beruflichen Forschungsaufenthalt aus London nach Deutschland zurückgekehrt: „In Großbritannien hätten die Menschen ein großes Vertrauen in den National Health Service, kurz NHS, man gehe in der Regel davon aus, dass der NHS sensibel mit den Gesundheitsdaten umgehe.“
Audio-Exkurs: Daten für die Prävention
Im Gespräch mit unserem Podcast-Moderator erklärt Julia Schnabel, wie Daten helfen könnten, Krankheiten früh zu erkennen.
Es fehlt in Deutschland an Vertrauen in den Datenschutz
In Deutschland dagegen gebe es eine regelrechte Datenschutzversessenheit, sagt Carsten Marr. „Was mich wundert, ist die Diskrepanz: Jeder wirft in sozialen Netzwerken mit persönlichen Informationen um sich, aber bei medizinischen Daten, die der Forschung dienen sollen, muss man unzählige Hürden überwinden“, sagt Marr. Er selbst hält Datenschutz für enorm wichtig – aber dieser allein stünde der Forschung selten im Weg: „Forscher interessieren sich nicht für die Namen, sondern für die Informationen dahinter.“ Trotzdem erleben er und seine Kollegen immer wieder, dass es sehr schwierig ist, an medizinische Daten für die Forschung zu kommen – wenn sie denn überhaupt vorhanden sind.
Dabei geht es nicht nur um die Verwendung von Daten für die künstliche Intelligenz, sondern für die Verwendung von Daten für die übrige medizinische Forschung. Bei Studien zu COVID-19-Medikamenten etwa sei Deutschland kaum vertreten, weil die Genehmigungen meist eine lange Vorlaufzeit haben.
In anderen Ländern ist das offenbar leichter, und das liegt auch an der Einstellung der Bürgerinnen und Bürger: In Großbritannien hätten die Menschen ein großes Vertrauen in den National Health Service, kurz NHS, man gehe in der Regel davon aus, dass der NHS sensibel mit den Gesundheitsdaten umgehe, berichtet Julia Schnabel. Ähnlich ist es in Dänemark, wo die Gesundheitsdaten seit Jahren elektronische gespeichert werden, während hierzulande noch immer um die Gesundheitskarte gerungen wird.
Doch es gibt langsam Fortschritte: Im vergangenen Mai wurde das Digitalisierungsgesetz auf den Weg gebracht, das den Medizinsektor beim Datenschutz entlastet und so die Daten sicher lässt und zugleich auch zugänglicher macht.
In München, Heidelberg und Karlsruhe entstehen neue AI-Health-Projekte
Auf Seiten der Forschung wird ebenfalls aufgerüstet: Bei Helmholtz Munich wird derzeit das Helmholtz Computational Health Center aufgebaut, in dem unter anderem Fabian Theis forscht. In Karlsruhe und Heidelberg wird die Helmholtz Information & Data Science School for Health (HIDSS4Health) auf- und ausgebaut: „Wir fördern mit der Helmholtz Information & Data Science Academy 280 Doktoranden. Das ist derzeit das größte Förderprogramm für die digitalen Naturwissenschaften und echt eine Hausnummer, die wie ein Magnet auf viele Talente wirkt“, sagt Andreas Kosmider, der den Ausbau dieses deutschlandweiten Netzwerks als Bereichsleiter Strategische Initiativen der Helmholtz-Gemeinschaft begleitet.
Und wenn nicht genügend Daten hierzulande zur Verfügung stehen, mit denen die Wissenschaftler forschen können? Für Fabian Theis ist das kein Hindernis: „Man muss derzeit pragmatisch sein, gerade bei Kooperationen mit ausländischen Forschungsinstitutionen kommen die Daten häufig auch von dort“, sagt Theis. Er ist aber optimistisch, dass es in Deutschland in Sachen Datenbereitstellung ebenfalls einen Ruck nach vorne gibt. „Ich berate zu dem Thema in zahlreichen politischen Gremien und sehe dort einen echten Wille zum Fortschritt“, sagt Theis. Die föderalen Strukturen könne man zwar nicht grundlegend ändern – aber zumindest alles so aufeinander abstimmen, dass neue und zugängliche Daten gewonnen würden. Das wäre eine Win-Win-Win-Situation: für die Forschung, für die Patienten – und für den Forschungsstandort Deutschland.
In a nutshell
- Die Digitalisierung in der Medizin liefert schon heute riesige Datenmengen, Tendenz steigend. In Form von Algorithmen und Computerprogrammen mit Deep Learning kann die künstliche Intelligenz helfen, daraus neue Erkenntnisse und Anwendungen zu gewinnen.
- Grundsätzlich gibt es zwei Arten von Computer-Lernen: Überwachtes Lernen, bei dem die Wissenschaftler dem Programm gezielt zeigen, was es erkennen oder unterscheiden soll. Diese Methode wird beispielsweise bei der Bildanalyse von Tumorgeweben angewandt.
- Beim unüberwachten Lernen soll der Computer aus großen Datenmengen selbstständig neue Muster und Zusammenhänge erkennen. So lassen sich beispielsweise Besonderheiten im Zellstoffwechsel von Tumorzellen finden.
- Für die Anwendung von Künstlicher Intelligenz gilt prinzipiell: Je größer die Datenmenge, desto besser. In Deutschland stehen bislang vergleichsweise wenige Daten für die Forscher zur Verfügung.
- Die deutsche Forschung im Bereich KI und Gesundheit hält das kaum auf: Wissenschaftlerinnen und Wissenschaftler greifen auf die bislang zur Verfügung stehenden Daten zurück oder forschen in internationalen Kooperationen.
Bild: "Plattform Lernende Systeme"
Bild: "Plattform Lernende Systeme"
Bild: "Plattform Lernende Systeme"
Bild: "Plattform Lernende Systeme"
Podcast-Tipp:
"Swarm-Learning in Pandemie-Zeiten" - mit Joachim Schultze vom Deutschen Zentrum für Neurodegenerative Erkrankungen, der sich mit der Frage beschäftigt, wie man große, medizinische Datenmengen möglichst effizient von einer KI auswerten lassen kann.
Leser:innenkommentare