Aus dem Forschungslabor Folge 49

Vielen medizinischen Techniken ist gemein, dass jede Menge Daten anfallen. Sie automatisch zu analysieren und zu visualisieren, ist laut Dr. Christina Gillmann, Informatikerin an der Universität Leipzig, ein wichtiger Schritt auf dem Weg zur personalisierten Medizin – ein Bereich, der in den letzten Jahren stark an Bedeutung gewonnen hat.

Möglich machen das KI-Verfahren wie das maschinelle Lernen und neuronale Netzwerke. Sie lernen anhand von Daten dazu, mit denen sie trainiert beziehungsweise "gefüttert" werden. Zum Beispiel aus CT-Bilddaten, die ein Arzt zuvor bearbeitet hat. Auf diese Weise fließen technische Informationen, aber auch medizinische Erfahrung ein. Dabei gilt: Je mehr Daten diese Verfahren auswerten können, desto besser sehen die Ergebnisse aus.

Hoher Trainingsaufwand

Solche Technologien könnten in ein paar Jahren im Klinikalltag zum Einsatz kommen, um etwa personalisierte Diagnosen und Therapien zu ermöglichen. Allerdings stecken sie noch in den Kinderschuhen. Denn es gilt, jeden medizinischen Fall einzeln zu trainieren. "Die Daten müssen vorab einzeln aufbereitet werden, was sehr aufwändig ist", benennt Robin Maack aus der Arbeitsgruppe "Computer Graphics and Human Computer Interaction" an der Technischen Universität Kaiserslautern als Problem. Dazu müssen Ärzte beispielsweise bei jedem medizinischen Fall die Daten einzeln labeln. Das bedeutet etwa, wenn ein Netzwerk trainieren soll, einen Tumor automatisch zu erkennen, müssen bei hunderten Bildern mit bekannten Tumoren diese per Hand eingezeichnet werden, damit das neurale Netzwerk eine Grundlage hat, mit der es lernen kann.

Hinzu kommt, dass es keine einheitlichen Schnittstellen gibt, mit denen sich trainierte Netzwerke laden und nutzen lassen. Auch bei Unsicherheiten in den Datenlagen – sei es bei Trainingsdatensätzen oder bei den verwendeten Modellen – gibt es

Der komplette Artikel ist nur für Abonnenten des ADMIN Archiv-Abos verfügbar.