Künstliche Intelligenz: In der Medizin eigentlich längst Realität

Der Hype um Künstliche Intelligenz (KI) ist für den Bereich der Medizin irgendwie erstaunlich. Sie ist in der Pathologie und in der Bildgebung längst am Werk. Das Problem liegt eher in oft fehlender Anbindung und Interoperabilität mit bestehenden Systemen, erklärten Freitagvormittag Experten bei einem Symposium in Wien.

"Künstliche Intelligenz in der Medizin - Vision, Realität, rechtliche Aspekte", lautete der Titel der ganztägigen Veranstaltung an der Juristischen Fakultät der Universität Wien mit der Central European Cooperative Oncology-Studiengruppe (CECOG) als Organisator.

"Künstliche Intelligenz wird auch in die medizinische Forschung und in die Veröffentlichung von wissenschaftlichen Daten vordringen. Im Endeffekt wird es aber auch darum gehen, wer die Verantwortung trägt", sagte der Wiener Onkologe und CECOG-Präsident Christoph Zielinski.

Dabei sind KI oder Artificial Intelligence (AI) bzw. Machine Learning (ML) in der Medizin buchstäblich alte Bekannte. Bereits in den 1970er-Jahren wurde in Wien beispielsweise ein Institut für Medizinische Kybernetik gegründet, wie der Rektor der MedUni Wien, Markus Müller, und der Medizinische Direktor des Wiener Gesundheitsverbundes, Michael Binder, betonten. Die Konzepte entsprachen durchaus den Ideen von KI.

"AI wird jedenfalls alles beeinflussen, was wir tun. Wir sind sozusagen im späten Frühling von AI. Die leicht erreichbaren 'Früchte' wurden bereits geerntet. Für die höher hängenden 'Früchte' wird es anstrengender werden", meinte Müller, der auch von einem klassischen Hype sprach.

"Derzeit werden rund hundert wissenschaftliche Publikationen zu KI in der Medizin veröffentlicht, ebenso rund 70 Studien zu 'Deep Learning'. (...) KI in der Medizin ist unvermeidlich und wird uns überwältigen", meinte Binder.

Allerdings, schon die Begriffsbildung von Artificial Intelligence besitzt Anteile von menschlicher Selbsttäuschung. "Menschlich" ist an den Computerprogrammen selbst nämlich nichts. "Wir lieben den Begriff 'Intelligenz', weil er anthropomorph ist", meinte Binder, der als Dermatologe bereits vor vielen Jahren am Wiener AKH an Projekten zur Automatisierung der Melanom-Diagnostik geforscht hat.

Doch viele der täglich verlautbarten Ideen und Pläne rund um KI in der Medizin scheitern noch an der Durchführung. "KI ist zwar bereits angekommen. Die Anwendung in der klinischen Praxis hinkt aber nach", sagte der Experte. Dafür sind viele der Befunde und Berichte über die Patienten in der täglichen Praxis nicht normiert, maschinell schlecht auswertbar, werden in fachspezifischen Datensilos abgelegt. Auf der anderen Seite könnten die neuen Verfahren aber massenhaft auch Daten aus dem täglichen Leben der Menschen für Gesundheitsbelange nutzbar machen und verwenden und Informationsmuster erkennen, die auch Experten entgehen würden.

Klassisch sind bereits die AI-Anwendungen in der bildgebenden Diagnostik, wo sie in der klinischen Praxis die Arbeitsabläufe neu ordnen, die Rekonstruktion der Daten erlauben und auch als Werkzeuge zur automatischen Erkennung von Krankheitszeichen eingesetzt werden. Die durch automatisiertes maschinelles Lernen zunehmende Genauigkeit kann aber auch negative Konsequenzen haben, wie Georg Langs, Professor für Maschinelles Lernen und medizinischen Bildgebung der MedUni Wien, erklärte: Die Menschheit ist (auch) biologisch ausgesprochen heterogen in Gesundheit und Krankheit. Dies zu berücksichtigen und vom millionenfach eingelernten Muster abweichende Charakteristika nicht zu ignorieren, das müssen die Computer-Röntgenologen erst lernen.

Dafür greift KI längst massiv in die Pathologie ein. Nicht mehr das Lichtmikroskop und der darunter liegende Gewebeschnitt prägen die Arbeit, sondern digitalisierte Gewebeschnitte am Bildschirm. Bilderkennungssysteme sind auch geübten Pathologen bereits ziemlich ebenbürtig, was beispielsweise die Abschätzung des Prozentsatzes von bösartigen Tumorzellen in einer Gewebeprobe angeht. Ähnliches gilt beispielsweise für die Bestimmung der Bösartigkeit eines Prostatakarzinoms - ebenfalls aus Gewebeproben (Gleason Score), wie Leonhard Müllauer (Pathologie/MedUni Wien) sagte.

An der Universitätsklinik Heidelberg wird ein System zur maschinellen Klassifizierung von Gehirntumoren erfolgreich betrieben, das eine Diagnostik auf der Basis epigenetischer Charakteristika (Methylierung) erlaubt. Bei bereits bekannten mehr als hundert verschiedenen Arten von Gehirntumoren sind damit oft auch ausgewiesene Pathologie-Experten überfordert.