Wann bedeutet Technologie Fortschritt?

Ein Gastbeitrag von Maximilian Waschka, Gründer von FUSE-AI

 

Wann bedeutet Technologie Fortschritt?

Machine Learning Ansätze gibt es seit vielen Jahrzehnten, doch seit 2012 verspricht vor allem Deep Learning auf der Grundlage sogenannter Convolutional Neural Networks (CNNs) die besten Ergebnisse in der Bildanalyse. Damit sind sie in gewissen Anwendungen selbst dem Menschen überlegen. Es kursieren Gerüchte über intelligente Bilderkennungssysteme, die in der Objekterkennung Fehlerquoten von unter einem Prozent erreichen. Damit handelt sich bei Deep Learning um einen hoch potenten Ansatz.

 

Doch wie kann diese Methodik eingesetzt werden, um tatsächlich innovative Produkte zu entwickeln, die einen eindeutigen Fortschritt darstellen? Wie wird der Ärztin und vor allem der Patientin tatsächlich geholfen?

 

Große Hilfe kann künstliche Intelligenz vor allem in bildgebenden Verfahren in der Medizin geben. Die Anzahl der bildgebenden Verfahren in Deutschland steigt dabei rasant. Radiologische Scans können durch intelligente Datenverarbeitung wesentlich schneller und potentiell besser analysiert werden als von Ärzten.

 

 

Wie funktioniert intelligente Datenverarbeitung?

 

Wofür wird künstliche Intelligenz eingesetzt? Was kann mit künstlicher Intelligenz erreicht werden?

KI-Algorithmen sind beispielsweise dazu in der Lage, Textmaterial und Audiospuren zu verstehen, sowie Bilder oder Muster zu erkennen. Auch die Real-Time-Analyse von Videomaterial macht erhebliche Fortschritte mithilfe von künstlicher Intelligenz. Als Real-Time-Analyse wird dabei die Analyse von Video- bzw. Datenmaterial in Echtzeit bezeichnet.

 

Intelligente Datenverarbeitung stellt einen Zusammenhang zwischen einem Daten-Input (z.B. einem Bild) und dessen Klassifikation her. Der Daten-Input ist in der Radiologie z.B. ein radiologischer Scan eines Gehirns mit Verdacht auf einen Tumor. Das Programm kann in der Anwendung erkennen, ob und wo sich ein Tumor auf dem Scan befindet. Der Output in diesem Beispiel ist also die Klassifikation „Tumor“ oder „kein Tumor“ bzw. die Annotation des radiologischen Scans.

 

Damit ein Algorithmus in der Lage ist zu klassifizieren, muss er trainiert werden. Beim Supervised Training (überwachtes Lernen) werden annotierte Bilder verarbeitet und ein Zusammenhang zwischen Bild und Annotation erlernt. Beim Unsupervised Training (nicht überwachtes Lernen) stellt der Algorithmus von vornherein den Zusammenhang zwischen Bild und Annotation selbst her.

Um eine hohe Dateneffizienz zu gewährleisten, werden in den meisten Fällen überwachtes und nicht überwachtes Lernen zugleich eingesetzt. Der Algorithmus wird mit einer Datenbank trainiert, die aus annotierten und nicht-annotierten Daten besteht. Das ist der Arbeitsschritt, in dem das Programm sozusagen zu sehen lernt: Es sieht z.B. eine bestimmte Anzahl von radiologischen Abbildungen eines Hirntumors. Daraufhin kann es erkennen, ob und wo sich ein Hirntumor auf einem radiologischen Scan befindet.

 

Eine spezielle Methode der künstlichen Intelligenz für solche Fragestellungen ist das Deep Learning. Dabei werden Convolutional Neural Networks trainiert, sodass sie einen Zusammenhang zwischen Bild und Annotation herstellen können. Deep Convolutional Neural Networks sind im Gegensatz zu herkömmlichen neuronalen Netzwerken, die im Machine Learning eingesetzt werden, wesentlich tiefer: Sie haben mehr Ebenen und größere Datenbanken mit denen sie trainiert werden.

Ein neuronales Netzwerk generiert während des Trainings aus Daten-Inputs fortwährend neue Outputs. Diese wiederum können für Parameter-Korrekturen mittels Back-Propagation genutzt werden.

 

Bei diesem Vorgang des Trainings und der Backpropagation handelt es sich im Grunde um simple Vektor-Rechnung. Der Entwickler kennt sowohl den Input als auch den Output (Bild und Annotation, bzw. Tumor und Klassifikation). Daten-Input wird als Vektor mit einer Matrix verrechnet. In dieser Matrix befinden sich Neuronen und Gewichte. Die Gewichte werden während der wiederholten Rechnung korrigiert.


Es wird erst dadurch kompliziert, dass diese Rechnung im Training so oft durchgeführt wird, dass sie einen Menschen Jahre seines Lebens kosten würde. Eine Verrechnung eines Vektors mit der Matrix bedeutet, dass der Algorithmus ein Bild sieht. Der Vektor, der verrechnet wird, ist nichts anderes als ein Bild in Zahlen ausgedrückt. D.h. wenn ein Algorithmus 1000 Bilder sieht, muss diese Rechnung 1000mal durchgeführt werden. Je mehr Bilder für das Training verwendet werden, desto tiefer - also besser - wird das neuronale Netzwerk. In anderen Worten: Je öfter ein Programm einen Hund sieht, desto besser kann es ihn erkennen. Deswegen wird ein Trainingsalgorithmus entwickelt, der das spezifische Netzwerk mit der spezifischen Datenbank trainiert. Für diesen Prozess gibt es mittlerweile zahlreiche Frameworks (Tensorflow, Caffe, Alexa etc.). Innerhalb dieser Frameworks werden neuronale Netze mit Trainingsalgorithmen entwickelt.

 

Wird ein Netzwerk „übertrainiert“, hat es den Zusammenhang zwischen Bild und Annotation auswendig gelernt. Daraufhin ist es nicht mehr in der Lage, den Zusammenhang zwischen Bild und Annotation adäquat herzustellen. Deswegen muss das Datenmaterial in eine Trainings- und eine Test-Datenbank aufgeteilt werden. Dabei dürfen nicht dieselben Datensätze in den verschiedenen Datenbanken enthalten sein.

 

Anwendungsgebiete von künstlicher Intelligenz in der Gesundheitsbranche

 

Wirkstoffforschung

Bessere Wirkstoffe schneller und effizienter entwickeln

In der Wirkstoffforschung werden neue Medikamente entwickelt. Hier wird intelligente Datenverarbeitung zuerst eingesetzt, um Datenbanken mit Einträgen bestehender Tests zu reinigen. Dadurch sollen redundante oder falsche Einträge gelöscht bzw. ergänzt werden. Bei diesen Tests wird festgestellt, ob Präparate ein hohes Interaktionspotential mit einem Zielenzym aufweisen. Wenn ein hohes Interaktionspotential vorliegt, heißt das, das Medikament bzw. der Wirkstoff, der aus diesem Präparat hergestellt wird, reagiert sehr gut auf ein spezifisches Krankheitsbild.

 

Wurde das Interaktionspotential festgestellt, werden Cluster erstellt, um zu entscheiden, welche Präparate weiterentwickelt werden sollten. Der nächste Schritt ist

beispielsweise, die Molekularstruktur bestimmter Präparate zu verändern, sodass diese besser binden oder weniger Nebenwirkungen hervorrufen als ähnliche Produkte.

 

Künstliche Intelligenz kann all diese Arbeitsschritte ergänzen: Interaktionspotential kann automatisiert festgestellt oder sogar simuliert werden, das Clustering kann algorithmisch durchgeführt werden und letztendlich können sogar neue Parameter gefunden werden, mit denen neue Präparate hergestellt werden können.

 

Unter anderem has Unternehmen FUSE-AI  in diesem Bereich zusammen mit dem European Screening Port des Fraunhofer Instituts und der Firma Heurolabs einen Use Case durchgeführt.

 

Ethische Biobanken

Generierung von Forschungsergebnissen aus der Analyse annotierter Daten aus ethischen Biobanken

In ethischen Biobanken wird versucht, aus den sicher gespeicherten Patientendaten (klinische Daten, Proben, etc.) neue Erkenntnisse über Krankheitsentwicklung oder Reaktionen auf Medikamente herzuleiten. Die Daten der Biobanken sind deshalb sehr wertvoll, weil über denselben Patienten Informationen zu verschiedenen Zeitpunkten bestehen. So kann eine Entwicklung in seinem Krankheitsbild festgestellt werden. Diese Entwicklung kann zusätzlich mit anderen Patienten verglichen werden.

  

Genau diese Feststellungen können automatisiert werden. Ein Deep Learning-Algorithmus wäre etwa in der Lage, neue Korrelationen zwischen Symptomen und Krankheitsbildern herzustellen. Deep Learning-Algorithmen eröffnen nämlich die Möglichkeit, neue Parameter für eine Klassifikation selbst zu entwickeln.

 

Intelligente Bilderkennung (Radiologie und digitale Pathologie)

 

Histopathologie

Schnellere und verbesserte Diagnose

In der Histopathologie kann intelligente Bilderkennung eingesetzt werden, um anhand von histopathologischen Schnitten Krebs-Erkrankungen zu erkennen.

 

Häufig werden intelligente Bilderkennung, morphometrische Darstellung und Genom-Analyse genutzt, um Krebszellen zu erkennen, Mutationen in der Erbsubstanz zu finden und so eine gesicherte Diagnose zu erstellen.

 

Radiologie

Schnellere und verbesserte Diagnose

In der diagnostischen Radiologie werden Deep Learning-Algorithmen vor allem zur Klassifikation von Tumoren eingesetzt. Die meisten CT’s werden produziert, wenn Verdacht auf Lungen-, Prostata- oder Brustkrebs besteht. Die Klassifikation ist für einen Arzthelfer nicht schwierig, aber zeitintensiv und bietet sich daher zur Automatisierung an. Ein führendes Unternehmen auf dem Gebiet der Deep Learning-unterstützten Klassifikation innerhalb der Radiologie und Histopathologie ist Enlitic.

 

Therapieunterstützungssysteme zur Heilungsprognose (Biomarker-Entwicklung)

Schnellere Genesung von Patienten unterstützt durch präzisere Prognosen

Patienten mit Knochenbrüchen werden vor der Operation Stammzellen aus dem Knochenmark entnommen und nach der Operation injiziert, sodass der Knochen nach der Operation schneller zusammenwächst. Der Patient würde also schneller geheilt und das Risiko von Pseudarthrose/Re-Pseudarthrose gesenkt werden.

 

Ein möglicher Use Case zur Anwendung von Deep Learning ist ein Therapieunterstützungssystem für Knochenbrüche. So ein Programm würde zwei zentrale Funktionen erfüllen:

  1. Das Programm kann eine Empfehlung darüber liefern, welches Stadium von Stammzellen aus dem Knochenmarkpunktat isoliert werden muss, um den Heilungsprozess zu erleichtern.
  2. Der Arzt erhält eine Prognose über Dauer und Verlauf der Heilung.

 

Mittelfristig erlaubt das Monitoring der virtuellen Biomarker (die injizierten Stammzellen) algorithmus-unterstützte Routine-Untersuchungen. Das Programm würde mit intelligenter Bild- und Mustererkennung arbeiten.

 

Für die Entwicklung dieser Software wären verschiedene, durch künstliche Intelligenz unterstützte Studien nötig.

 

In einer algorithmus-unterstützten retrospektiven Studie würde festgelegt werden, welche Frakturen-Entitäten sich für das Training des Algorithmus eignen (vergleichbares Kollektiv). Diese Studie würde das Training eines Algorithmus erlauben, der daraufhin Bildmaterial klassifizieren kann und dem Arzt eine Empfehlung darüber liefert, aus welcher Region des Knochenmarks Stammzellen entnommen werden müssen.

 

Eine prospektive Studie würde bestätigen, dass Stammzellen den Heilungsprozess unterstützen. Im Verlauf dieser Studie würde der Algorithmus trainiert werden, um zu erkennen, wie sich der Heilungsprozess entwickeln wird.

 

Mobile Apps zur intelligenten Erfassung von Vital-Daten

Patient Compliance: Gesundheit auch nach der Operation unterstützen

Intelligente Datenverarbeitung kann durch eine größere Datenbank präzisere Ergebnisse liefern. Um dieses Ziel zu erreichen, werden Desktop-Anwendungen durch sogenannte Monitoring Apps ergänzt.

So kann ein Patient nach einer Operation beispielsweise zur Entfernung eines Melanoms mit einer Monitoring App seinen Heilungsprozess dokumentieren und von der Software analysieren lassen. Damit ließe sich sicherstellen, dass sich der Hautkrebs nicht weiter ausbreitet. Die Daten zur Dokumentation können wiederum verwendet werden, um die Software zu verbessern.

 

Ein verbreitetes Geschäftsmodell ist auch, Apps zur intelligenten Datenverarbeitung anzubieten und die gesammelten Daten für das Training einer anderen Anwendung einzusetzen. Das ist ein Geschäftsmodell, das in vielen Branchen genutzt wird, in denen Deep Learning zum Einsatz kommt. Die Firma Nauto aus dem Silicon Valley nutzt die Bilddaten einer Fahrsicherheitsapp für die Entwicklung einer Anwendung, die Logistik und Infrastruktur im großen Stil automatisiert steuern kann.

Andere Unternehmen veranstalten Beauty Contests, in denen ein Algorithmus eine menschliche Jury ersetzt. Die Daten, die hier generiert werden, können allerdings ebenso gut für eine Anwendung zur Gesichtserkennung oder Emotion Tracking eingesetzt werden. Die Klassifikation von Gesichtsausdrücken wird auch eingesetzt, um psychische Krankheiten wie Depressionen erkennen zu können oder Selbstmord zu verhindern. Mithilfe von Fitness-Trackern kann das Monitoring von Vital-Daten automatisiert werden, um Herz- oder andere Krankheiten vorauszusagen.

 

Fazit

Technologie, speziell Deep Learning wird in der Gesundheitsbranche mit dem Zweck eingesetzt, dass Patienten einen direkten Nutzen daraus ziehen.

 

In der Radiologie werden die Befundung und Diagnose verbessert, wenn sie automatisiert werden. Das bedeutet, dass Ärzte in Kliniken mehr Zeit für ihre Patienten haben. Monitoring Apps können den Heilungsprozess nach Operationen begleiten und dem Patienten zu schnellerer Genesung verhelfen.

 

Heilungsverläufe können durch Deep Learning-unterstützte Anwendungen verbessert und prognostiziert werden. So kann Pseudarthrose/Re-Pseudarthrose nach Kochenbruch-Operationen verhindert und der Aufenthalt des Patienten im Krankenhaus verkürzt werden.

 

Vital-Daten, wie sie etwa von Fitness-Trackern produziert werden, können in der Zukunft beispielsweise aufgrund von Anomalitäten in der Herzfrequenz voraussagen, ob ein Patient an einem Herzfehler leidet.

 

Auch die Forschung setzt Deep Learning immer erfolgreicher ein: Wirkstoff- und Krebsforschung aber auch Methoden, wie CRISPR können mit Deep Learning optimiert werden.

 

Das kompetitive Feld der Gesundheitsbranche versammelt mittlerweile eine große Anzahl an Unternehmen mit hoch innovativen Lösungen, die in den kommenden Jahren dazu führen werden, medizinische und ärztliche Versorgung einer wesentlich größeren Anzahl von Menschen zugänglich zu machen. Apps, die wie ein persönlicher digitaler Doktor funktionieren, werden immer besser: BabylonHealth, YourMD oder ADA machen es vor.

 

22.06.2017
  • künstliche intelligenz
  • maschinelles lernen
  • startups
  • deep learning

Kommentare

Diskutieren Sie mit der Community auf der Open-Innovation-Plattform