Deep Learning: Die Potentiale künstlicher Intelligenzen in der Medizin

Wenn Computersysteme eigenständig lernen

Deep Learning – das bedeutet: Ein selbstlernender Algorithmus erstellt eigenständig Prognosen, Diagnosen und fällt Entscheidungen. Der Begriff bezeichnet eine spezielle Methode der Informationsverarbeitung innerhalb des KI-Bereichs Machine Learning. Voraussetzung für diese Art der Künstlichen Intelligenz sind spezielle neuronale Netze. Die Lernmechanismen des Systems orientieren sich an der Funktionsweise des menschlichen Gehirns. Um zu erreichen, dass die Künstliche Intelligenz selbst Fähigkeiten erlernt, wird der Algorithmus mit großen Datenmengen versorgt, die er analysiert und speichert – beispielsweise Datensätze von Lungen-CTs und deren Diagnose. Mithilfe der vorhandenen Informationen und dem neuronalen Netz verknüpft er das Erlernte mit neuen Inhalten und entwickelt sich dadurch immer weiter. Der Lernvorgang passiert völlig automatisch und je mehr qualitativ hochwertige Daten der Algorithmus erhält, desto präziser sind die Ergebnisse.

Einsatzgebiete und Vorteile von Deep Learning in der Medizin

Deep Learning ist überall dort gut geeignet, wo sich aus großen Datenmengen Muster und Modelle ableiten lassen. Drei mögliche Einsatzgebiete.

1. Deep Learning Algorithmus analysiert Bilder 
   Deep Learning Algorithmen wurden bereits erfolgreich im Bereich der Krebserkennung getestet. Ein Beispiel: Forscher nutzten einen lernfähigen Algorithmus, der die Fähigkeit besitzt, Fotos in unterschiedliche Kategorien einzuteilen. Zunächst wurde der Algorithmus mit 130.000 Bildern und der jeweiligen Diagnose von gut- und bösartigen Hautveränderungen gespeist. Dadurch lernte das Programm die typischen Merkmale von malignen Melanomen und malignen Karzinomen zu erkennen und speicherte diese. Danach testeten die Wissenschaftler ihn anhand weiterer Bilder von gut oder bösartigen Hautveränderungen. Das Ergebnis: Der Algorithmus stellte in 91 Prozent die richtige Diagnose. Studien wie diese gibt es für weitere Krebsarten, die mithilfe bildgebender Verfahren diagnostiziert werden – beispielsweise Brustkrebs.  Weitere Einsatzgebiete von Algorithmen, die Bilder auswerten, sind die Augenheilkunde oder die Neurologie. So könnte ein selbstlernender Algorithmus in der Augenheilkunde Netzhautscans auswerten und Augenkrankheiten frühzeitig erkennen. In der Neurologie könnten Gehirnscans in „kritisch“ oder „nicht kritisch“ unterteilt und damit Auffälligkeiten wie Gefäßverschlüsse, Blutungen oder Flüssigkeitsansammlungen schneller identifiziert werden.
2. Algorithmus soll Krebs im Blut erkennen
   Auch bei der Analyse von Blutproben bietet Deep Learning einen Blick in die Zukunft. Ein Beispiel: Ein amerikanisches Startup aus Philadelphia entwickelt einen lernenden Algorithmus, der anhand von Blutproben Krebs frühzeitig erkennen soll. Die aktuellen Verfahren weisen im Blut Tumormarker nach. Der Algorithmus soll automatisch die Tumorzellen selbst – und nicht die Marker – im Blut identifizieren. Dadurch könnte die Entstehung von malignen Tumoren frühzeitig erkannt werden. Die Schwierigkeit dabei: Die Tumorzellen verschiedener Krebsarten, aber auch einer Krebsart können sich stark unterscheiden. Auch dieses Problem soll die Künstliche Intelligenz zukünftig lösen.
3. Per Computer mögliche Wirkstoff-Kandidaten identifizieren
   Ein weiteres vielversprechendes Einsatzgebiet selbstlernender Algorithmen könnte in der Pharmaforschung liegen. US-Forscher haben ein System entwickelt, das sich mittels Deep Learning chemisches Wissen aneignet und auf dieser Grundlage nützliche Molekularstrukturen eines Wirkstoffs erkennt und voraussagt. So soll die Künstliche Intelligenz automatisch neue Wirkstoff-Kandidaten identifizieren.

Ausblick: Deep Learning im Vitaldaten-Management hat das Potential, die Gesundheitsversorgung maßgeblich zu verbessern

Mit unseren mehr als 20 Jahren Erfahrung im Gesundheitswesen, haben wir – die vitagroup – die Digitalisierung maßgeblich mitgestaltet. Wir kennen den Markt und wissen, welche Hürden bei der Einführung neuer Technologien genommen werden müssen: Datenschutz, Nutzerakzeptanz, Transparenzforderungen, Angst vor Disruption. Die Vorteile von Deep Learning könnten im Grunde dieselben sein wie die der Telemedizin: Ärzten werden zeitraubende Routineaufgaben abgenommen, dem Versorgungsmangel so begegnet.

Große Chancen der selbstlernenden Algorithmen sehen wir auch auf dem Feld des Vitaldaten-Managements und dort insbesondere in der Bekämpfung  von Herz-Kreislauferkrankungen – der Todesursache Nummer eins in Europa. Intelligente Systeme, die eine große Menge erhobener Vitaldaten automatisch sortieren und Muster identifizieren, könnten in Zukunft helfen, Herz-Kreislauferkrankungen frühzeitig zu erkennen – noch bevor sie überhaupt Symptome verursachen. Auch in den Bereichen Diagnostik, Therapie und Nachsorge könnten die Systeme schnellere und präzisere Vorhersagen und Auswertungen erstellen. Dabei wird die Künstliche Intelligenz den Arzt nicht ersetzen – sie wird ihn in seiner Arbeit unterstützen. Letzten Endes bedeutet das: Der Patient wird besser versorgt.