KI in der Onkologie: Status quo

Künstliche Intelligenz ist die Fähigkeit einer Maschine, kognitive Funktionen auszuüben, die dem menschlichen Verstand zugeordnet werden.“¹ Diese Definition stellte Univ.-Prof. Mag. Dr. Günter Klambauer an den Beginn seines generellen Überblicks über KI und ihre Anwendung in der Medizin und betonte gleichsam die Wichtigkeit von Grundlagenwissen, um diese in eine sichere und erfolgreiche Anwendung zu überführen.

Die Grundlagen maschinellen Lernens

Unter KI werden viele verschiedene Methoden zusammengefasst, wobei meistens das maschinelle Lernen eingesetzt wird. Die Grundlagen lassen sich einfach anhand von Sprachmodellen wie ChatGPT erklären. Diese bestehen aus einem Algorithmus, den man sich wie eine Maschine vorstellen kann, die Wahrscheinlichkeiten für Wörter berechnet.
Dazu wird der Anfang eines Satzes vorgegeben, und die Maschine berechnet, welches Wort mit welcher Wahrscheinlichkeit als nächstes passen könnte.
Für diese Berechnung benötigt die Maschine statistische Parameter über den Aufbau von Sprache. Diese werden durch Analyse einer möglichst umfassenden Textsammlung ermittelt. Als Grundlage für ChatGPT wurde beispielsweise der gesamte im Internet verfügbare Text verwendet (ca. 410 Mrd. Wörter). Beim sogenannten „Trainieren“ oder „Lernen“ werden diese Wortwahrscheinlichkeitsberechnungen sehr oft ausgeführt und die dabei erhaltenen Parameter hierarchisch in vielen Ebenen gespeichert, die man „tiefe neuronale Netze“ nennt.

Lohnt sich der Aufwand?

Dieser Lernvorgang ist sehr kosten- und zeitintensiv. Allein beim Trainieren von ChatGPT 3 sind Stromkosten von mehreren Mio. Euro angefallen; ein einzelner normaler Hochleistungsrechner hätte 350 Jahre lang dafür gebraucht. Je größer der zugrunde liegende Trainingssatz aber ist, desto bessere Vorhersagen kann der Algorithmus liefern. Für die Korrektheit der Antworten ist dabei nur die durchschnittliche Information entscheidend.
Damit ist die Qualität der Antworten aber auch anfällig für einen Bias im zugrunde liegenden Datensatz (beispielsweise Männlich-weiblich-Stereotypen).
Auch die genaue Fragestellung, die man einem Sprachmodell stellt, wirkt sich auf die Antwort aus (Kontextabhängigkeit).

Anwendungsbeispiele

Dass maschinelles Lernen trotz dieser Einschränkungen viele Anwendungsbeispiele in der Onkologie hat, führte Univ.-Prof. Dr. Harald Kittler in seinem Vortrag aus. Vor allem Chatbots sind in der medizinischen Realität angekommen. Dabei zeigte eine Studie, dass ein medizinischer Chatbot fachlich richtige Antworten geben kann und diese empathischer als die Antworten von Ärzt:innen wahrgenommen wurden.² Auf Basis dieser Ergebnisse hat beispielsweise Hippocratic AI das Programm Polaris entwickelt, das mit den Patient:innen kommuniziert und einfache Gesprächstätigkeiten übernimmt.³
Ein wichtiges Thema im Bereich des maschinellen Lernens ist das Zusammenführen großer Mengen von Patientendaten zu Trainingszwecken, was datenschutzrechtliche Fragen aufwirft.

Eine Lösung dafür könnte föderales Lernen sein, bei dem die Patientendaten in den einzelnen Krankenhäusern verbleiben. Auf dieser Basis wurde vor kurzem ein in China und den USA trainierter Algorithmus zur Diagnose panmediastinaler Neoplasien aus CT-Daten präsentiert. Dieser ist zudem als „open source“ verfügbar.⁴ Eine weitere beeindruckende Studie konnte zeigen, dass mittels maschinellen Lernens ein Pankreaskarzinom auch aus nativen CT-Bildern erkannt werden konnte. Dies galt bisher unter Radiolog:innen als unmöglich.⁵
Professor Kittler wies aber auch darauf hin, dass diese leistungsfähigen Algorithmen noch einen langen Weg vor sich haben, da sie bisher nur in einem eng begrenzten Feld funktionieren und von der händischen Vorauswahl fähiger Ärzt:innen abhängig sind.
Richtig eingesetzt können sie jedoch auch in der Onkologie zu maßgeblichen Verbesserungen führen.