künstliche Intelligenz

Was ist Künstliche Intelligenz?

Künstliche Intelligenz KI ist die Kombination von Algorithmen, die mit dem Ziel vorgeschlagen werden, Maschinen zu schaffen, die über die gleichen Fähigkeiten wie Menschen verfügen. Eine Technologie, die für uns noch weit entfernt und geheimnisvoll ist, die aber seit einigen Jahren rund um die Uhr in unserem täglichen Leben präsent ist.

In unseren Zukunftsvisionen und in verschiedenen klassischen Science-Fiction-Medien finden wir oft eine besondere Liebe zum Detail, die der Gesundheit und Medizin gewidmet wird, und damit auch Ideale für das Wohlbefinden, die durch modernste und allumfassende Technologie ermöglicht werden.

Sei es Luke Skywalkers Bacta Tank-Sitzung, der medizinische Tricorder der Sternenflotte oder das Wohnringsystem von Discovery One. Während diese ihren Welten sicherlich etwas Flair zu verleihen scheinen, sind die Heilungszeiten verschiedener Praktiken normalerweise nur so kurz wie das Gespräch über die Handlung in der Szene. Nichtsdestotrotz werden alle expliziten Science-Fiction-Szenarien irgendwann einen flüchtigen Hinweis auf eine erstklassige Gesundheitsversorgung oder, ganz besonders, auf eine beispiellose Lebenserwartung geben.

Vision der künstlichen Intelligenz

Natürlich ist es kein Zufall, dass jede Zukunftsvision eine stark entwickelte Gesundheitsversorgung mit sich bringt. Auch wenn wir in die Vergangenheit blicken, ob wir uns über die guten alten Zeiten streiten oder darüber, was sich heute wirklich verbessert hat, sind wir uns einig, dass wir unsere modernen Standards in der Medizin wertschätzen sollten. Tatsächlich ist das Rad des Fortschritts im Wesentlichen gleichbedeutend mit kontinuierlicher Verbesserung Präventivmedizin. Doch die jüngsten Durchbrüche haben die Innovation in der Gesundheitsbranche beschleunigt, da das Bild für die Zukunft unserer Gesundheit Gestalt annimmt.

Einer der wichtigsten Fortschritte der letzten Zeit war die Anwendung KI-basierter Techniken im Gesundheitswesen. Künstliche Intelligenz ist die Verwendung codierter Softwareroutinen zur Ausführung von Aufgaben, die normalerweise mit menschlichen kognitiven Funktionen verbunden sind, wie z. B. die Verarbeitung von Sprache, das Erkennen von Geräuschen und das allgemeine Lernen von Mustern für Problemlösungsfunktionen.

Das Feld hat regelrecht Schockwellen über das Feld geschickt, aber Sie können nicht damit rechnen, in absehbarer Zeit ein medizinisches Notfallhologramm zu sehen. Die Forscher bezweifeln, dass KI-Ärzte bald menschliche Ärzte vollständig ersetzen werden. Die Fortschritte haben sich jedoch bereits als erheblich erwiesen, da leistungsstarke KI-Techniken dazu beitragen können, wichtige Informationen zu erschließen, die in den riesigen Datenmengen verborgen sind, die im Cyberspace und im medizinischen Bereich ausgetauscht werden.

KI-basierte Lösungen lassen sich in zwei große Kategorien einteilen. Die erste Art umfasst Techniken des maschinellen Lernens, die strukturierte Daten wie genetische, elektrophysiologische oder bildgebende Daten analysieren, um Patientenmerkmale zu gruppieren oder die Wahrscheinlichkeit von Krankheitsrisiken und deren Folgen zu bestimmen.

Darüber hinaus kann es dazu beitragen, Diagnosefehler zu reduzieren, die in der klinischen Praxis des Menschen allzu unvermeidlich sind. Die zweite Kategorie umfasst Methoden zur Verarbeitung natürlicher Sprache, mit denen wichtige Informationen aus unstrukturierten Daten wie medizinischen Veröffentlichungen oder klinischen Notizen extrahiert werden können, um das umfangreiche Repertoire an medizinischer Literatur und Kenntnissen, die ein Arzt benötigt, mit beispielloser Geschwindigkeit und Effizienz zu aktualisieren. Allerdings sind diese Methoden von Anfang an nicht perfekt, da Algorithmen anhand vergangener klinischer Aktivitätsdaten zuverlässig trainiert werden müssen, bevor sie sofort für Gesundheitsanwendungen eingesetzt werden können.

Künstliche Intelligenz und Medizin

Obwohl die Forschung im Bereich KI für die Medizin umfangreich ist, wird sie am häufigsten einer Handvoll Krankheiten zugeordnet: Erkrankungen des Nervensystems, Herz-Kreislauf-Erkrankungen und Krebs. Beispiele hierfür sind der Einsatz von IBM Watson als zuverlässiges KI-System bei der Krebsdiagnose; die Erkennung und Analyse des Zeitpunkts der Entladungen spinaler Motoneuronen zur Steuerung von Prothesen; oder Analyse hochauflösender MRT-Bilder bei der Diagnose von Herz-Kreislauf-Erkrankungen.

Das bedeutet nicht, dass wichtige Entwicklungen nicht auch anderswo zu finden sind. Ein besonderes Problem im Gesundheitsbereich ist die zuverlässige Vorhersage des Schlaganfallverlaufs, ein Problem, das durch die große Bandbreite möglicher Szenarien noch verschärft wird.

Ein Projekt ergab, dass Vorhersagen aus physiologischen Parametern 48 Stunden nach dem Schlaganfall mit der KI-basierten Methode mehr als doppelt so genau waren wie mit dem Standard-Regressionsanalysemodell – eine Steigerung der Genauigkeitsrate von 43 % auf 97.5 %.

Die KI-basierte Forschung hat sich in letzter Zeit durch das Aufkommen von Deep-Learning-Modellen beschleunigt, die einfach als neuronale Netze mit einer Vielzahl von Schichten verstanden werden können, die durch eine höhere Rechenleistung ermöglicht werden. Bei einem hochkarätigen Fall handelte es sich um einen Deep-Learning-Algorithmus, der bei der Hautkrebsklassifizierung mit 21 staatlich geprüften Dermatologen mithalten konnte, nachdem er anhand von 130,000 klinischen Bildern von Hautläsionen trainiert wurde.

Diese Entwicklung war besonders wichtig für den Umgang mit der ständig steigenden Qualität und Quantität der Daten.

Die kontinuierliche Entwicklung KI-basierter Methoden hat dazu beigetragen, andere aufstrebende Bereiche zu fördern. Ein solches Beispiel ist das aufstrebende Gebiet der digitalen Epidemiologie. Das Ziel der Epidemiologie besteht im Kern darin, die Gesundheitsdynamik in Populationen und Muster dieser Krankheiten zu verstehen, um zum Verständnis ihrer Ursachen beizutragen und anschließend die Präventivmedizin zu festigen und die Gesundheit zu fördern.

Bei der digitalen Epidemiologie geht es hingegen um weit mehr als nur eine auf digitalen Daten basierende Epidemiologie, sondern vielmehr um die Sammlung epidemiologischer Daten außerhalb des klinischen Bereichs, also von Daten, die ursprünglich nicht für epidemiologische Zwecke generiert wurden. Ein solches Beispiel ist Google Flu Trends, ein Webdienst, der Grippevorhersagen auf der Grundlage aggregierter Suchergebnisse erstellt.

Alternativ sind öffentliche Social-Media-Plattformen wie Twitter unschätzbare Datenquellen, die für epidemiologische Zwecke genutzt werden können. Die weit verbreitete Einführung mobiler Technologien wie Telefone, Smartwatches und Fitbit war für die Generierung solcher Daten ausschlaggebend. Angesichts der schieren Masse an Informationen, die über solche Kanäle ausgetauscht werden, überrascht es nicht, dass maschinelles Lernen für die Unterstützung dieses Fachgebiets von entscheidender Bedeutung war. Ein zentrales Anliegen betrifft jedoch die Frage des Datenzugriffs und der Privatsphäre.

Der Deep-Learning-Ansatz ist in hohem Maße auf sehr große Datensätze angewiesen, aus denen die DL-Algorithmen lernen können. Das Problem wird durch die Sensibilität des Gesundheitswesens noch verschärft, weshalb die KI im Umgang mit der menschlichen Gesundheit nach hohen Standards geschult werden muss.

Infolgedessen hat dies im Interesse des öffentlichen Interesses zu einer großen Nachfrage nach offenem Zugang zu großen Datenmengen für Angehörige der Gesundheitsberufe geführt. Während KI große Versprechen für die Zukunft der Gesundheit verspricht, wirft die Erhebung, Speicherung und Nutzung riesiger Datenmengen gleichzeitig verschiedene ethische Bedenken hinsichtlich Sicherheit, Datenschutz, Eigentumsverhältnissen und Vorschriften auf, insbesondere im Hinblick darauf, welche Daten für bestimmte Algorithmen verwendet wurden oder die Kriterien, auf denen diese Algorithmen überhaupt aufgebaut wurden. Angesichts der Aktualität der Angelegenheit stecken die Regulierungsbemühungen noch in den Kinderschuhen.

Erst Mitte Juli 2018 würde die Weltgesundheitsorganisation gemeinsam mit der Internationalen Fernmeldeunion offiziell mit der Entwicklung eines Benchmarking-Prozesses für Gesundheits-KI-Modelle beginnen. Am 15. Juni dieses Jahres, mitten im jüngsten Ausbruch, kamen 11 Organisationen, darunter die EU, die USA, das Vereinigte Königreich, Japan, Frankreich und Deutschland, schließlich zusammen, um die Globale Partnerschaft für künstliche Intelligenz zu starten.

Diese Initiative begleitet die verschärften und verschärften Spannungen zwischen den Technologiebereichen verschiedener Länder, wie zum Beispiel den zunehmenden Druck auf „The Big 4“ (Google, Amazon, Apple und Facebook), das Verbot von Huawei-Geräten oder den Krieg gegen TikTok. Noch wichtiger ist jedoch, dass die jüngste Pandemie verschiedene Probleme deutlich gemacht hat, die den Datenschutzgesetzen zugrunde liegen.

Die Datenschutz-Grundverordnung der EU hat sich als echte Hürde bei der Einführung von Methoden zur Abflachung der Kurve erwiesen, insbesondere die restriktive Nutzung der GPS-Daten der Nutzer. Dies steht im Gegensatz zu den Freiheiten beispielsweise in Südkorea, das manchmal für seine verstärkten Bemühungen kritisiert wird, GPS, Kreditkartenhistorie, CCTV-Aufnahmen und SMS-Daten zur Verfolgung der Entwicklungen von COVID-19 zu nutzen.

Die Bemühungen, eine europaweite Coronavirus-App zu entwickeln, scheiterten schnell, als die Realität der unterschiedlichen Einstellungen zu Daten und Privatsphäre in den verschiedenen Mitgliedstaaten klar wurde. Heute stehen wir mehr denn je an einem Scheideweg in der Gesundheitsbranche. Während wir den Wert von Maßnahmen wie der DSGVO nicht außer Acht lassen können, erfordert der unbestreitbare Wert der KI-basierten Methodik, insbesondere in solchen Zeiten, dass wir unseren Umgang mit Daten noch einmal überdenken. Es lässt sich nicht leugnen, dass die Präsenz und Nutzung von KI in unserem Leben weiter zunehmen wird, auch wenn die nächsten Schritte entscheidend für den Weg der künstlichen Intelligenz sein werden.

Thibaut Faddy

Quellen:

Emanuel, Ezekiel J. und Robert M. Wachter. „Künstliche Intelligenz im Gesundheitswesen: Wird der Wert dem Hype entsprechen?“ Jama 321.23 (2019): 2281-2282.

Park, Juni. „Verfolgung von COVID-19 im Zeitalter von KI und Technologiekriegen.“, Asia Pacific Bulletin (2020).

Jiang, Fei et al. „Künstliche Intelligenz im Gesundheitswesen: Vergangenheit, Gegenwart und Zukunft.“ Schlaganfall und Gefäßneurologie 2.4 (2017): 230-243.

Salathé, Marcel. „Digitale Epidemiologie: Was ist das und wohin führt sie?“ Biowissenschaften, Gesellschaft und Politik 14.1 (2018): 1.

Wiegand, Thomas et al. „WHO und ITU etablieren Benchmarking-Prozess für künstliche Intelligenz im Gesundheitswesen.“ The Lancet 394.10192 (2019): 9-11.

Zandi, Diana et al. „Neue ethische Herausforderungen digitaler Technologien, maschinellem Lernen und künstlicher Intelligenz im öffentlichen Gesundheitswesen: ein Aufruf zur Einreichung von Beiträgen.“ Bulletin der Weltgesundheitsorganisation 97.1 (2019): 2-2.