Als E-Mail versenden...
Auf facebook teilen...
Twittern...
Drucken...

Das Thema Künstliche Intelligenz (KI) in der Medizin gewinnt zunehmend an Bedeutung. Die Artikel sind daher wertvoll, beleuchten aber aus meiner Sicht nur Teilaspekte. Bereits heute sind die Anwendungen der KI weiter verbreitet als dargestellt. Es sind hierbei nicht die sichtbaren Dinge wie Roboter oder Diagnose-Software, sondern die wesentliche Entwicklung findet mehr verborgen statt.

Ein wesentlicher Teilbereich der KI ist das Maschinelle Lernen (machine learning, ML). Es gewinnt hauptsächlich deswegen an Bedeutung, weil die Menge der verfügbaren Daten zugenommen hat. Da die Leistungsfähigkeit der Computer exponentiell gestiegen ist, kann man diese Daten jetzt auch verarbeiten, was vor einigen Jahren noch nicht möglich war. ML beeinflusst die medizinische Forschung zunehmend. Eine Suche nach „machine learning medicine“ ergibt auf Google scholar ca. 56 500 Einträge seit 2016.

In der Genetik, einem Fach mit großen Datenmengen, sind viele Analysen ohne ML nicht mehr möglich. Auch in der Onkologie gibt es eine Vielzahl von Studien, die basierend auf klinischen, histologischen oder genetischen Daten mithilfe von ML die Prognose und die Vorhersage verbessern. Es gibt kein medizinisches Gebiet, in dem nicht mithilfe von KI geforscht wird. In der alltäglichen klinischen Routine werden zuerst die Fächer mit großen Mengen an Bildverarbeitung betroffen sein, wie Radiologie und Dermatologie.

Profan ausgedrückt ist ML nichts anders als Mustererkennung. Sofern die Muster in digitaler Form vorliegen, ist es dem Computer egal, ob es Zahlen, Text, Bilder, Musik oder sonstige Daten sind. Computer können Muster mithilfe von ML selbstständig lernen, Strukturen erkennen und klassifizieren. Das ist vergleichbar mit dem Lernprozess eines jungen, unerfahrenen Arztes. Der Unterschied besteht darin, dass der Computer Tausende von dargebotenen Mustern, z. B. Bilder, in Sekunden bearbeiten und klassifizieren kann. Das so erworbene Wissen kann er dann auf neue Fälle anwenden.

ML ist aber keine einheitliche Methode, sondern eine Vielzahl von verschiedensten mathematisch-statistischen Algorithmen. Je nach Fragestellung und Datenmenge kommen unterschiedliche Algorithmen einzeln oder in Kombination zur Anwendung. Natürlich haben alle Algorithmen gemeinsame und teils spezielle Probleme und Grenzen. So ist es für den Computer schwer, die Grenze zwischen präzise und übergenau zu finden. Dort wo der Mensch bewusst Informationen weglassen, kann, um sein Ergebnis an die Realität anzupassen, ML häufig zu einer übertriebenen Präzision (overfitting) neigen. Diese ermöglicht zwar eine genaue Klassifikation der zu lernenden Fälle, behindert aber dann ggfs. bei der Erkennung neuer Fälle. Ebenfalls darf man den Zusammenhang zwischen einer Variablen (z. B. Alter, Geschlecht, BMI, Gentyp) und z. B. der Diagnose nicht mit Kausalität gleichsetzen. Schon diese zwei Beispiele zeigen, dass zumindest ein gewisses Grundverständnis der KI und ihrer Prozesse die Bewertung vereinfacht.

Die Entwicklung, speziell im Bereich ML, wird in den nächsten Jahren sehr schnell voranschreiten. Es ist daher sicher sinnvoll für jeden einzelnen, sich mit den Grundlagen und den Grenzen der Künstlichen Intelligenz sowohl mathematisch, statistisch als auch politisch und philosophisch auseinanderzusetzen. Denn nur ein Nutzer, der die Grundlagen der Entscheidungen und deren Einschränkungen kennt, kann verantwortungsvoll die vielfältigen Möglichkeiten der KI für den Patienten gewinnbringend nutzen.

Prof. Dr. med. Peter Hahn, 74906 Bad Rappenau

Anzeige

    Leserkommentare

    E-Mail
    Passwort

    Registrieren

    Um Artikel, Nachrichten oder Blogs kommentieren zu können, müssen Sie registriert sein. Sind sie bereits für den Newsletter oder den Stellenmarkt registriert, können Sie sich hier direkt anmelden.

    Fachgebiet

    Zum Artikel

    Login

    Loggen Sie sich auf Mein DÄ ein

    E-Mail

    Passwort

    Anzeige