Von der fr\u00fchzeitigen Krebsdiagnose \u00fcber personalisierte Therapien bis hin zur beschleunigten Medikamentenentwicklung: Dies sind nur einige Beispiele, wie K\u00fcnstliche Intelligenz (KI) die Medizin in Zukunft leistungsf\u00e4higer, effizienter und sicherer machen kann. Rund um den Globus arbeiten Forschende fieberhaft an neuen, KI-gest\u00fctzten Software-Tools, um den gesamten Prozess der Gesundheitsversorgung von der Pr\u00e4vention \u00fcber die Diagnostik, Therapie und Nachsorge zu optimieren. In diesem Artikel zeigen wir, was K\u00fcnstliche Intelligenz in der Medizin schon heute leistet und welche Anwendungen unmittelbar vor dem Durchbruch stehen.<\/p>\n
Von K\u00fcnstlicher Intelligenz spricht man, wenn Computeralgorithmen Probleme auf eine Weise l\u00f6sen, die menschliches Verhalten imitiert. Der Begriff umfasst eine Reihe technisch sehr unterschiedlicher Ans\u00e4tze<\/a>, entsprechend breit gestreut sind die m\u00f6glichen Anwendungsfelder in der Medizin.<\/p>\n Typische Beispiele f\u00fcr den Einsatz von KI in der Medizin umfassen:<\/p>\n Sinn und Zweck von K\u00fcnstlicher Intelligenz in der Medizin ist es nicht, \u00c4rztInnen zu ersetzen<\/a> oder in ihren autonomen Entscheidungen zu beschr\u00e4nken. Vielmehr fungiert KI als Assistenz oder zweiter Berater. Die gro\u00dfe St\u00e4rke der selbstlernenden, bahnbrechenden Technologie liegt in der schnellen und effizienten Verarbeitung und Auswertung hoch komplexer Datens\u00e4tze. Dadurch ist KI pr\u00e4destiniert f\u00fcr repetitive Aufgaben, die f\u00fcr Menschen h\u00e4ufig zeitraubend und erm\u00fcdend sind, die aber dennoch hohe Pr\u00e4zision erfordern.<\/p>\n Doch wie k\u00f6nnen selbstlernende Systeme im medizinischen Alltag konkreten Nutzen stiften? In welchen Bereichen k\u00f6nnen sie medizinisches Personal entlasten und die Versorgungsqualit\u00e4t f\u00fcr PatientInnen verbessern? Die folgenden Beispiele illustrieren, welche Chancen sich durch den Einsatz von KI in der Medizin er\u00f6ffnen.<\/p>\n Als Paradebeispiel f\u00fcr den erfolgreichen Einsatz selbstlernender KI in der Medizin ist die Radiologie zu nennen, und hier vor allem die Krebsdiagnostik. Trainierte KI-Systeme erkennen Tumore auf R\u00f6ntgen-, CT- oder MRT-Bildern mittlerweile mit einer Genauigkeit, die an das geschulte Auge von RadiologInnen heranreicht.<\/p>\n Das Grundprinzip ist: Man trainiert die selbstlernende Software mithilfe gro\u00dfer Datens\u00e4tze, um zwischen Normalbefunden und auff\u00e4lligen Ver\u00e4nderungen zu unterscheiden. Nach Abschluss der Lernphase ist das System in der Lage, unbekannte Bilder selbstst\u00e4ndig zu klassifizieren und so beispielsweise Brustkrebs<\/a>, Lungenkrebs<\/a> oder Melanome<\/a> anhand bildgebender Daten zu erkennen.<\/p>\n Dass menschliche und k\u00fcnstliche Intelligenz bei der Diagnose b\u00f6sartiger Ver\u00e4nderungen im Zusammenspiel erfolgreicher sind als Mensch oder Maschine allein, hat beispielsweise diese Studie zu Lungenkrebs<\/a> gezeigt.<\/p>\n Im klinischen Alltag geht es h\u00e4ufig darum, dass die KI-Software die Bilder vorklassifiziert und auff\u00e4llige Befunde kennzeichnet, so dass das \u00e4rztliche Personal seine Aufmerksamkeit auf diese F\u00e4lle konzentrieren kann.<\/p>\n Ein weiteres interessantes Beispiel f\u00fcr den medizinischen Einsatz von KI sind Netzhaut-Scans. Sie werden in der augen\u00e4rztlichen Praxis routinem\u00e4\u00dfig eingesetzt, um Augenerkrankungen wie etwa eine diabetische Retinopathie zu erkennen. Doch die Retina des Auges ist zugleich ein Spiegelbild f\u00fcr den Zustand des Herz-Kreislauf-Systems insgesamt. Denn alles, was das kardiovaskul\u00e4re System beeintr\u00e4chtigt, f\u00fchrt auch zu dauerhaften Ver\u00e4nderungen der Mikrogef\u00e4\u00dfe im Auge.<\/p>\n ForscherInnen der University of Leeds haben k\u00fcrzlich ein KI-System mit Retina-Scans und zus\u00e4tzlichen Metadaten trainiert, um Parallelen zwischen Ver\u00e4nderungen der Netzhaut und Erkrankungen des Herzens zu erkennen. Nach Abschluss der Trainingsphase konnte das System die Gr\u00f6\u00dfe und Pumpeffizienz des linken Ventrikels allein aus Retina-Scans sowie demographischen Daten absch\u00e4tzen und damit eine Vorhersage \u00fcber das Herzinfarkt-Risiko innerhalb der n\u00e4chsten zw\u00f6lf Monate treffen.<\/p>\n KI-basierte Netzhaut-Scans k\u00f6nnten k\u00fcnftig somit als effizientes und kosteng\u00fcnstiges Screening-Instrument eingesetzt werden, um Personen mit einem hohen kardiovaskul\u00e4ren Risiko fr\u00fchzeitig zu identifizieren.<\/p>\n Epilepsien z\u00e4hlen zu den h\u00e4ufigsten neurologischen Erkrankungen. In Industriestaaten sind rund 0,5 bis 1 Prozent der Bev\u00f6lkerung betroffen. Nicht immer l\u00e4sst sich die Erkrankung mit Medikamenten vollst\u00e4ndig kontrollieren. Das pl\u00f6tzliche und unerwartete Auftreten der Anf\u00e4lle hat erhebliche medizinische und psychosoziale Auswirkungen auf das Leben der Erkrankten. Fr\u00fchwarnsysteme k\u00f6nnten die Sicherheit und Lebensqualit\u00e4t Betroffener somit erheblich verbessern.<\/p>\n Die klassische Epilepsie-Diagnostik mittels EEG konnte in den letzten Jahren mit den Methoden der K\u00fcnstlichen Intelligenz erheblich verbessert und verfeinert werden. Hier zeigt sich ein weiteres erfolgreiches Beispiel f\u00fcr den Einsatz von KI in der Medizin. So ist es mittlerweile m\u00f6glich, drohende epileptische Anf\u00e4lle anhand subtiler Muster in den EEG-Daten bereits eine Stunde im Voraus mit einer Genauigkeit von 99,6 %<\/a> zu prognostizieren.<\/p>\n Die zuk\u00fcnftige Herausforderung wird darin bestehen, diese Systeme in eine geeignete Hardware zu integrieren und Betroffene mit alltagstauglichen tragbaren Sensoren auszustatten, die anhand der Vitaldaten rechtzeitig eine Fr\u00fchwarnung ausgeben. So k\u00f6nnte der drohende Anfall mithilfe von Notfall-Medikamenten abgewendet werden.<\/p>\n Ein weiterer Bereich, in dem das Monitoring von Vitalwerten buchst\u00e4blich \u00fcber Leben und Tod entscheiden kann, ist die Intensivstation, wo ein Gro\u00dfteil der Todesf\u00e4lle auf ein Multiorganversagen zur\u00fcckgeht. Wenn lebenswichtige Organe wie Nieren, Lunge und Leber zu versagen drohen, wird bislang jedes Organ separat \u00fcberwacht. Dadurch k\u00f6nnen aber Organinteraktionen nicht immer optimal ber\u00fccksichtigt werden. Zudem wird die Arbeit des Intensivpflegepersonals durch die parallele \u00dcberwachungst\u00e4tigkeit erheblich verkompliziert.<\/p>\n Eine Forschungsgruppe des deutschen Fraunhofer-Instituts f\u00fcr Kognitive Systeme IKS arbeitet derzeit an einem KI-basierten Multiorgan-Unterst\u00fctzungssystem, um ein integriertes Monitoring der Hauptentgiftungsorgane Nieren, Leber und Lunge sowie des Blut-pH-Werts in einem Ger\u00e4t zu erm\u00f6glichen. Zur Entwicklung des Systems wurden Big-Data-Pools mit Patientendaten aus der Vergangenheit genutzt. Die selbstlernende Software leitet daraus Muster ab und vergleicht die aktuellen Daten mit jenen aus der Vergangenheit. Auf dieser Basis werden Prognosen sowie Vorschl\u00e4ge f\u00fcr optimierte Behandlungssequenzen<\/a> erstellt, um die Patientensicherheit zu erh\u00f6hen und die Arbeitsbelastung f\u00fcr das Intensivpflegepersonal zu verringern.<\/p>\n Antibiotikaresistenzen nehmen weltweit stetig zu. Multiresistente Bakterien wie MRSA (Methicillin-resistente Staphylokokken) stellen gerade f\u00fcr schwerkranke PatientInnen in Krankenh\u00e4usern eine gro\u00dfe Gefahr dar. Das Problem: Um Antibiotikaresistenzen aufzusp\u00fcren und herauszufinden, welches Antibiotikum m\u00f6glicherweise noch wirkt, m\u00fcssen die Keime zun\u00e4chst im Labor kultiviert werden, wobei wertvolle Zeit verstreicht.<\/p>\n Hier ergibt sich ein weiteres spannendes Beispiel f\u00fcr den Einsatz von KI in der Medizin. Ein Forschungsteam der ETH Z\u00fcrich hat nun mit Methoden des maschinellen Lernens ein KI-basiertes System entwickelt, mit dem sich Antibiotikaresistenzen im Schnitt bereits 24 Stunden fr\u00fcher feststellen lassen. Dazu haben die Forschenden bestehende Massenspektrometrie-Datens\u00e4tze aus mehreren Laboren verkn\u00fcpft und das KI-System darauf trainiert, Zusammenh\u00e4nge zwischen bakteriellen Proteinen und Antibiotikaresistenzen zu erkennen. In einer retrospektiven klinischen Fallstudie<\/a> mit 63 PatientInnen schlug die K\u00fcnstliche Intelligenz in 9 F\u00e4llen ein alternatives Behandlungsprozedere vor, das in 8 F\u00e4llen zu einem verbesserten Ergebnis gef\u00fchrt h\u00e4tte. KI-basierte medizinische Vorhersagemodelle k\u00f6nnten wie in diesem Beispiel \u2013 so die Hoffnung der Forschenden \u2013 dazu beitragen, bakterielle Infektionen gezielter zu behandeln und so auch den Einsatz von Breitbandantibiotika zu reduzieren.<\/p>\n Die Entwicklung neuer Medikamente ist zeitaufwendig und verschlingt regelm\u00e4\u00dfig hohe Summen an Forschungsgeldern. Auch die pharmazeutische Industrie setzt daher vermehrt auf Methoden der k\u00fcnstlichen Intelligenz, um die Entwicklung neuer Medikamente zu vereinfachen und zu beschleunigen. Selbstlernende Algorithmen lassen sich in nahezu jeder Phase der Medikamentenentwicklung gewinnbringend einsetzen, einen beispielhaften Einblick f\u00fcr den Einsatz von KI in diesem Bereich der Medizin liefert die Studie aus der Elsevier Public Health Emergency Collection<\/a>.<\/p>\n Werden intelligente Systeme beispielsweise mit Daten zu Wirkungen und Nebenwirkungen bekannter Substanzen trainiert, so k\u00f6nnen sie diese Effekte bei neuen Wirkstoffen anhand der biochemischen Struktur vorhersagen. Diese Strategie soll k\u00fcnftig den aufwendigen Prozess der Wirkstofftestung im Rahmen von Tierversuchen und klinischen Studien verk\u00fcrzen.<\/p>\n Gro\u00dfe Hoffnungen setzen ForscherInnen darin, dass intelligente Algorithmen k\u00fcnftig helfen k\u00f6nnten, individuell ma\u00dfgeschneiderte Behandlungsstrategien in der Krebstherapie zu entwickeln. Eine der gro\u00dfen Herausforderungen in der medikament\u00f6sen Krebsbehandlung besteht derzeit in der Resistenz von Tumorzellen gegen die eingesetzten Wirkstoffe. In der Regel versucht man diese Resistenzen durch Kombinationstherapien zu umgehen. Doch wie l\u00e4sst sich unter den zahlreichen M\u00f6glichkeiten die optimale Kombinationsstrategie finden?<\/p>\n Mit Methoden des Deep Learning haben ForscherInnen ein Vorhersagemodell<\/a> entwickelt, das auf der Basis bekannter Datens\u00e4tze zu Wirkstoffen und den Eigenschaften verschiedener Zelllinien m\u00f6gliche Synergieeffekte verschiedener Wirkstoffkombinationen prognostiziert. Der Einsatz solcher Modelle k\u00f6nnte in Zukunft effektivere Behandlungsstrategien erm\u00f6glichen und dadurch die \u00dcberlebensrate und den Therapieerfolg verbessern.<\/p>\n Bereits heute sind die Einsatzm\u00f6glichkeiten von KI in der Medizin breit gef\u00e4chert. Weltweit arbeiten ForscherInnen an neuen vielversprechenden Anwendungen, von denen einige schon bald den Sprung vom Forschungslabor in die klinische Praxis schaffen k\u00f6nnten.<\/p>\n Die folgenden ausgew\u00e4hlten Beispiele zeigen, welche Wege KI in der Medizin k\u00fcnftig einschlagen k\u00f6nnte:<\/p>\n\n
7 Beispiele, wie KI die Medizin voranbringt<\/h2>\n
Beispiel 1: Verbesserte Lungenkrebs-, Brustkrebs- oder Hautkrebs-Diagnose<\/h3>\n
Beispiel 2: Mit Netzhaut-Scans kardiovaskul\u00e4res Risiko voraussagen<\/h3>\n
Beispiel 3: KI-gest\u00fctzte medizinische Fr\u00fchwarnsysteme f\u00fcr epileptische Anf\u00e4lle<\/h3>\n
Beispiel 4: Multiorgan-Monitoringsysteme f\u00fcr die Intensivstation<\/h3>\n
Beispiel 5: Vorhersage von Antibiotika-Resistenzen mithilfe medizinischer KI<\/h3>\n
Beispiel 6: KI-basierte Medikamenten-Entwicklung<\/h3>\n
Beispiel 7: Personalisierte Krebstherapie<\/h3>\n
KI in der Medizin: Einige Beispiele, was uns in Zukunft erwartet<\/h2>\n
\n
KI in der Medizin verantwortungsvoll einsetzen<\/h2>\n