Das neue Coronavirus Sars-CoV-2 beschäftigt mittlerweile auch die künstliche Intelligenz. Sie könnte dabei helfen, Infektionen mit dem Virus auf Röntgenbildern der Lunge zu erkennen. Davon ist jedenfalls der Radiologe Haibo Xu vom Zhongnan-Krankenhaus in Wuhan überzeugt – der Stadt, in der das Virus wohl erstmals auf den Menschen übersprang. Jetzt will ein Team testen, ob und wie die Software das medizinische Personal bei der Diagnose neuer Fälle unterstützen kann.

Das Virus ist neu, die Idee ist es nicht: Vergangenes Jahr entwickelten deutsche Wissenschaftler einen Algorithmus, der schwarzen Hautkrebs im direkten Vergleich besser erkennen konnte als Ärzte und Ärztinnen. Ähnliche Ergebnisse gab es bereits 2017 in den USA. Andere Studien wandten künstliche Intelligenz erfolgreich zur Analyse von Gewebeproben bei Brustkrebs und bei Röntgenaufnahmen von Lungenentzündungen an.

All das zeigt, was künstliche Intelligenz (KI) in der Medizin leisten soll. Algorithmen können dabei helfen, Krankheiten früher zu diagnostizieren, die Behandlung zu verbessern, das Personal zu entlasten und die Entwicklung von Medikamenten zu beschleunigen. Es entstehen immer mehr Start-ups zwischen Gesundheit und Informatik, und auch die Bundesregierung will im Rahmen ihrer Medizininformatik-Initiative die Möglichkeiten von KI erschließen.

Obwohl die Forschung noch am Anfang steht, gibt es bereits erste Erfolge.

Smarte Maschinen: Wenn Algorithmen lernen

»Was dabei unter dem Oberbegriff künstliche Intelligenz zusammengefasst wird, betrifft in vielen Fällen konkret maschinelles Lernen (ML) und Deep Learning (DL)«, sagt Stefan Wesarg, Abteilungsleiter Visual Healthcare Technologies am Fraunhofer IGD in Darmstadt, wo Wissenschaftlerinnen und Wissenschaftler ebenfalls an der Schnittstelle von KI und Medizin forschen.

»Deep Learning funktioniert sehr gut, wenn eine entsprechend hohe Menge an Trainingsdaten zur Verfügung steht«
Stefan Wesarg, Visual Healthcare Technologies

Beim maschinellen Lernen durchsucht eine Software, genauer ein Algorithmus, Daten, um darin Muster, Gesetzmäßigkeiten und Abweichungen feststellen zu können. Bei der Tumorerkennung etwa wird das System zunächst mit zahlreichen Röntgen-, CT- oder MRT-Aufnahmen darauf trainiert, Auffälligkeiten zu erkennen. Das System ist in diesem Fall sehr problembezogen, es wird auf eine bestimmte Aufgabe hin trainiert.

Deep Learning ist ergebnisoffener: Es gibt mehrschichtige Algorithmen, die so genannten künstlichen neuronalen Netze, die Daten analysieren und sich dabei immer wieder selbst hinterfragen und verbessern. Sie schaffen selbstständig neue Verknüpfungen und sind somit in der Lage, Zusammenhänge zu erkennen, die Menschen möglicherweise entgehen. Statt den Algorithmen vorab zu zeigen, wo auf Röntgenbildern ein Tumor ist, könnte man sie einfach mit genug Daten füttern und darauf hoffen, dass sie die Unterschiede früher oder später selbst erkennen.

»Deep Learning funktioniert sehr gut, wenn eine entsprechend hohe Menge an Trainingsdaten zur Verfügung steht. Das Problem ist, dass man das daraus entstehende Modell häufig nur eingeschränkt versteht«, sagt Stefan Wesarg. So gebe es bei den selbstlernenden Algorithmen ein gewisses »Black-Box-Problem«: Wie sie zu einem Ergebnis kommen, können die Entwickler häufig nicht nachvollziehen. Doch in einem sensiblen Bereich wie der Medizin ist die Validierung der Ergebnisse entscheidend. Gerade was die Zulassung von medizinischer KI-Software betreffe, sei das ein zentraler Aspekt, sagt der Wissenschaftler.

Dazu passt eine Metastudie der University of Birmingham, die im September 2019 im Fachmagazin »The Lancet« erschienen ist. Sie untersuchte Studien, die Erkennungsraten von Deep-Learning-Algorithmen mit denen von Fachärzten und Fachärztinnen verglichen. Das Ergebnis: Zwar konnte die KI in ihrem jeweiligen Anwendungsbereich ähnlich gut diagnostizieren wie Menschen. Allerdings kritisierten die Forscherinnen und Forscher in vielen Fällen die mangelhafte Dokumentation der Algorithmen, was eine »zuverlässige Interpretation« der Ergebnisse erschwere.

Diagnostik: Die KI, dein Freund und Helfer

Das Vertrauen in die Technik, sei es nun maschinelles Lernen oder Deep Learning, ist dennoch ungebrochen. »Vor allem in der Diagnostik, also dem Erkennen von Krankheitsbildern, können Algorithmen die Ärzte unterstützen«, sagt Bastian Sabel, Radiologe am Klinikum Großhadern in München. Er und seine Kollegen arbeiten ebenfalls bereits mit Software-Prototypen, die etwa Lungenrundherde auf Röntgenbildern erkennen und automatisch die Aorta vermessen können.

Obwohl das System nicht im klinischen Alltag eingesetzt werde, seien die ersten Ergebnisse viel versprechend, sagt Sabel. Für ihn ist etwa der Einsatz in der Triagierung denkbar: »Wenn ein Radiologe am Tag 100 Röntgenaufnahmen vorgelegt bekommt, werden sie chronologisch abgearbeitet. Die Software könnte aber schon eine Vorauswahl treffen und Fälle priorisieren, in denen sie Blutungen oder Lungenentzündungen feststellt.« So könne die Zeit zwischen Aufnahme und Befund bei kritischen Fällen reduziert werden und mehr Zeit für andere Aufgaben wie die Kommunikation mit Patienten und zuweisenden Kollegen anderer Fachrichtungen bleiben. Also dieselben Vorteile, die sich aktuell die Ärzte in Wuhan erhoffen.

Sabel betont aber auch: »Der Computer liefert nur zusätzliche Informationen. Diese dann in einen medizinischen Kontext zu setzen und einen Befund zu liefern, ist und bleibt die Entscheidung des Arztes.« Entscheidend sei es zudem, herauszufinden, wie man die Software in den Workflow einer Klinik integrieren kann. Denn nur wenn sie im Alltag und nicht allein im Versuchsaufbau funktioniert, hat sie einen Mehrwert für Ärzte und Patienten.

Big Data: Sehen, was der Arzt nicht sieht

Auch bei der Entwicklung von Medikamenten oder Therapien wird schon jetzt auf KI gesetzt. Erst Anfang Februar gab es die Meldung, laut der ein von einer künstlichen Intelligenz entwickeltes Medikament gegen Zwangsstörungen erstmals in klinischen Studien an Menschen getestet werden soll. Und unter anderem deutschen Forschenden ist es vergangenen November gelungen, einen Algorithmus zu entwickeln, der die molekulare Struktur einer gewünschten chemischen Substanz bestimmen kann. Damit wäre es möglich, schneller Wirkstoffe zu entwickeln, die effektiv an die entsprechenden Moleküle und Rezeptoren im Körper andocken – ein Prozess, der bei den derzeitigen Methoden teils Jahre dauert.

Deep Learning eignet sich vor allem dann, wenn viele verschiedene Datensätze zusammenkommen. Wie das aussehen kann, zeigt das US-Unternehmen OccamzRazor: Für ihr Human Parkinsome Project wollen die Verantwortlichen einen digitalen Atlas der Parkinsonkrankheit erstellen. Das System bündelt Daten aus wissenschaftlichen Studien, klinischen Untersuchungen sowie Informationen über Medikamente, Proteine und Moleküle, die für die Krankheit eine Rolle spielen. Aus diesem Sammelsurium an Daten soll die KI im besten Fall Hypothesen über neue Behandlungsmöglichkeiten oder Medikamente stellen, die dann noch von Fachärzten und -ärztinnen getestet werden müssten.

»Erkrankungen könnten schneller erkannt und die damit verbundenen Therapien verbessert werden«
Stefan Wesarg, Visual Healthcare Technologies

Ein Datenmodell bildet auch die Grundlage des Fraunhofer-Projekts MED²ICIN. »Wir wollen einen digitalen Zwilling entwickeln, wofür wir auf verschiedene neue, wiederverwendbare Methoden des maschinellen Lernens setzen, die mit den medizin­typischen Lernproblemen umgehen können«, sagt Projektkoordinator Stefan Wesarg. Eine hohe Varianz bei niedriger Fallzahl etwa. »Erkrankungen«, führt er fort, »könnten somit schneller erkannt und die damit verbundenen Therapien verbessert werden.« Dabei werden sowohl die individuellen Patientendaten mit Erkenntnissen aus Populationsstudien und spezifischen Daten anderer Patientinnen verknüpft. Das würde es ermöglichen, anhand von zeitlichen Krankheitsverläufen und Laborparametern frühzeitig zu erkennen, welches Medikament bei einem Patienten am besten wirken könnte oder wo es vielleicht nicht anschlägt, sagt Wesarg. Die KI findet also möglicherweise Verknüpfungen, die den Medizinern verwehrt bleiben, weil sie die Werte unabhängig voneinander betrachten oder weil die Daten schlicht zu komplex sind.

KI auf dem Smartphone: Sprich mit dem Bot

Ein dritter Bereich, in dem KI schon jetzt direkt mit Patienten und Patientinnen in Berührung kommt, sind Gesundheits-Apps auf dem Smartphone. Zwei der bekanntesten Anwendungen stammen von der britischen Firma Babylon und dem deutschen Unternehmen Ada Health. Nutzerinnen und Nutzer können in der App ihre Beschwerden beschreiben sowie Bilder hochladen und erhalten danach eine mögliche Diagnose mit entsprechenden weiterführenden Tipps.

Neben Big-Data-Analysen und maschinellem Lernen kommt hier eine der ältesten Anwendungen von künstlicher Intelligenz zum Einsatz: Natural Language Processing (NLP) in Form von Chatbots. Die Algorithmen reagieren auf bestimmte Textbausteine (zum Beispiel »rauer Hals«) und führen darauf basierend das Gespräch weiter, um schließlich zu einem Befund zu gelangen. Nach eigenen Angaben soll Ada inzwischen rund 1500 Beschwerden anhand von Milliarden verschiedener Symptome erkennen können.

Babylon verfolgt einen ähnlichen Ansatz, enthält zusätzlich aber noch Gesundheits- und Fitness-Tracking. Wer will, kann die App mit Angaben zur Ernährung und Stimmung füttern, sportliche Aktivitäten oder eine regelmäßige Pulsmessung hinzufügen. All das fließt dann im Hintergrund mit Hilfe der beschriebenen KI-Methoden zusammen. Es entsteht ein komplexes Patientenbild, das mehr Informationen zum physischen Zustand einer Person enthält, als es bei einem gewöhnlichen Arztbesuch der Fall ist.

Apps im Bereich Gesundheitswesen – auch Mobile Health oder kurz mHealth genannt – werden Schätzungen der Agentur Applikey zufolge in den kommenden Jahren eine wichtigere Rolle spielen. Über sie könnten auch immer mehr KI-gestützte Anwendungen Einzug in den Alltag der Menschen halten. Was im besten Fall einen Mehrwert bringt, nämlich dann, wenn sie medizinisches Personal entlasten oder neue Therapiemöglichkeiten entstehen lassen. Das Ganze kann aber genauso zu Problemen führen: KI funktioniert nur mit möglichst vielen Daten, und die sind im Bereich der Medizin äußerst privat. Vergangenen Herbst etwa wurden Datenschutzmängel in der Ada-App bekannt.

Die Frage nach dem Datenschutz und der sicheren Zusammenführung von Gesundheitsdaten sei momentan insgesamt noch ein Hindernis bei der Entwicklung von KI-Lösungen, sagt Stefan Wesarg vom Fraunhofer IGD, vor allem in Deutschland, »aber man wird es lösen können«. Es gebe bereits Bestrebungen aus der Politik, etwa in Form von Forschungsförderung, die Daten aus verschiedenen Kliniken zu vernetzen. »Davon hat der Patient allerdings erst mal wenig«, sagt Wesarg: »Ein Ziel muss sein, dass auch niedergelassene Ärzte die Verfahren nutzen können und die Daten sicher verarbeitet werden.«

Anders ausgedrückt: Künstliche Intelligenz kann die Medizin in vielen Bereichen unterstützen und tut es sogar teilweise bereits. Doch bevor die Algorithmen wirklich flächendeckend eingesetzt werden, sind noch einige Hürden zu nehmen – technisch, ethisch und politisch. Eine Ausnahmesituation wie die Coronavirus-Pandemie jedoch könnte die Technik zumindest in einem Fall schneller zum Einsatz bringen als erwartet.