Big Data: Diagnostik aus dem Datenberg

Wir alle produzieren täglich Daten, ohne es wahrzunehmen – manchmal unbewusst und ungewollt. Nicht nur für Technologiekonzerne bestehen wir mittlerweile aus Daten, sondern auch für das Gesundheitssystem. Denn unsere Patientenakte ist beispielsweise ein Sammelsurium von Daten. Für die Medizin stellt sich daher die Frage: (Wie) Kann dieser Datenberg zur Diagnose von Krankheiten genutzt werden?

Ein echter Datenberg besteht natürlich nicht nur aus unseren individuellen Daten, sondern aus denen vieler Menschen zusammen – das ist Big Data, vielleicht am ehesten zu übersetzen als "große Datenmenge". Unsere Daten aus der vernetzten Welt – vom Shoppen, Surfen, aus sozialen Netzwerken, Apps, von Rabatt- oder Kreditkarten – werden häufig genutzt, um uns auf uns zugeschnittene Werbung zu präsentieren. Algorithmen ziehen aus unseren Gewohnheiten einen Schluss auf unsere Interessen und Vorlieben, die in eine Empfehlung und für ein Unternehmen eventuell in Umsatz verwandelt werden: "Kunden, die dieses Buch gekauft haben, gefiel auch…"

So weit ist die Medizin noch nicht. Einerseits ist sie noch nicht so stark vernetzt wie andere Bereiche des Lebens. Unsere Daten existieren häufig bei verschiedenen Ärzten in verschiedenen Akten, teilweise digital, teilweise in Papierform. Für den effektiven Einsatz von Big Data in der Medizin müssen diese Daten erst zusammengeführt werden. Big Data ist für die Medizin aber ähnlich wie für den Einzelhandel: Es geht um Merkmale und Muster, aus denen sich Schlüsse ziehen lassen, um dem Patienten eine maßgeschneiderte Behandlung zu ermöglichen oder die Diagnose zu unterstützen: "Eine solche Struktur in der MRT-Aufnahme ist häufig ein Tumor."

Genau wie Ärzte müssen auch Algorithmen solche Schlüsse erst lernen. Es gibt aber zwei wichtige Unterschiede: Erstens sind Algorithmen dort gut, wo Ärzte schnell ermüden – beispielsweise, wenn es darum geht, sich schnell viele Bilder anzusehen und nach möglichen Befunden zu suchen. Zweitens benötigen sie kein jahrelanges Studium, um solche Aufgaben zu erfüllen. Das entlastet Ärzte und macht ihre Zeit wiederum frei für andere Aufgaben, die ihr Spezialwissen erfordern. "Man sucht nicht nach Methoden, Intelligenz nachzubauen und künstlich hervorzubringen, sondern nach Möglichkeiten, Computern beizubringen, eine kognitive Aufgabe möglichst effizient zu lösen, mindestens so gut wie der Mensch", erklärt Dr. Markus Wenzel vom Fraunhofer-Institut für Bildgestützte Medizin MEVIS im Interview mit MEDICA.de.

Der Mensch stellt dem Algorithmus dazu eine kognitive Aufgabe, also eine Aufgabe, die die Wahrnehmung betrifft. Menschen sind darin sehr gut, weil unser Sehsinn und unser Gehör dafür gemacht sind, zum Beispiel Gesichter, Stimmen und Sprachen zu erkennen – und das auch, wenn sie nicht klar zu erkennen sind, zum Beispiel bei wechselnden Lichtverhältnissen oder Umgebungsgeräuschen. Für Computer sind diese Aufgaben sehr schwierig, weil sie sich nicht oder kaum über die logischen Regeln beschreiben lassen, auf denen Computer beruhen.

In der Radiologie könnte eine solche Aufgabe zum Beispiel lauten: "Finde alle MRT-Aufnahmen, auf denen ein Tumor zu sehen ist". Der Forscher stellt dem Algorithmus dazu Bilddaten zur Verfügung, mit denen dieser lernen soll. Der Algorithmus wiederum vergleicht, vereinfacht gesagt, die Bilddaten miteinander, stellt fest, welche Merkmale auf diesen Bildern zu sehen sind und erkennt darin Muster und Regelmäßigkeiten. Anhand dieser kann er die Aufgabe lösen und selbstständig Aufnahmen bestimmen, die einen Tumor zeigen. Je mehr Daten der Algorithmus dazu erhält, desto besser funktioniert er. "Ein Computer hat größere Möglichkeiten zu lernen, wenn er sich selbst aussuchen kann, welche Merkmale für ihn wichtig sind. Deep learning wird deshalb auch gerne feature learning genannt, weil der Computer selbst festlegt, welche Merkmale in den Bildern wichtig sind, um die Aufgabe zu lösen", so Wenzel.

Forscher und Entwickler werden vor dem Training ihres Algorithmus' immer wieder mit dem Problem konfrontiert, genügend aussagekräftige Daten finden oder generieren zu müssen. Dazu gehören nicht nur Vergleichsdaten von gesunden Personen, sondern auch genügend Daten, die krankhafte Veränderungen zeigen. Befundete Bilddaten lassen sich relativ leicht aus den Informationssystemen von Kliniken exportieren. Das könnte ein Grund sein, weshalb Algorithmen bis jetzt vor allem in der Radiologie, Pathologie und Dermatologie erforscht werden. Solche Daten sind dort in großer Zahl verfügbar und die Bilderkennung durch Algorithmen wird schon lange – außerhalb der Medizin – erforscht und in verschiedenen Szenarien auch schon angewendet. Es bestehen hier also schon gute Voraussetzungen. Schwieriger wird es, wenn der Algorithmus auf Daten aus verschiedenen Quellen zugreifen soll. Für Wenzel ist das noch Zukunftsmusik: "Es wird noch eine gewisse Zeit dauern, bis all diese Informationen zu einem bestimmten Patienten und Zeitpunkt automatisch aus den Informationssystemen gelesen und so aufgearbeitet werden können, dass Computer daraus lernen können." Auf diesem Wege könnten Algorithmen dann zum Beispiel die weitere Entwicklung des Patienten vorhersagen, so Wenzel weiter.

Ein Projekt, das sich bereits mit der Verbindung verschiedenster Datensätze beschäftigt, ist iPrognosis. Dr. Lisa Klingelhöfer von der TU Dresden erklärt im Interview mit MEDICA.de den Kernpunkt dieses europäischen Horizon 2020-Projekts, eine Smartphone-App: "Sie soll motorische und nicht-motorische Symptome der parkinsonschen Krankheit erkennen und messen. So hoffen wir, Personen zu erkennen, die frühe Symptome der parkinsonschen Krankheit zeigen, und hierdurch frühzeitiger den Kontakt mit einem Arzt herzustellen." Die App sammelt eine Reihe von Daten über den Nutzer und schickt sie verschlüsselt und anonymisiert an das Studienzentrum in Dresden. Für den auswertenden Algorithmus ergibt sich daraus die Schwierigkeit, Merkmale und Muster in verschiedenartigen Daten zu erkennen und Veränderungen zu identifizieren, die auf ein frühes Stadium der parkinsonschen Krankheit hinweisen.

Diese Veränderungen können beispielsweise in der Stimme und Sprechweise auftreten oder in der Art, wie das Smartphone bedient wird. Auch weitere Wearables, eine Smartwatch, die das Essverhalten aufzeichnet, und ein Smartbelt, mit dem die Darmfunktion beobachtet werden soll, sammeln Daten über mögliche Veränderungen, die mit der Zeit auftreten. Sie sind häufig sehr subtil und werden in klinischen Beobachtungen, die zeitlich beschränkt sind, nicht immer wahrgenommen. Auch hier gilt also: Der Algorithmus nimmt anders wahr, aber genauer und mehr als der menschliche Arzt.

Das offenbart auch die Absicht hinter dem maschinellen Lernen in der Medizin: Es hat niemand vor, einen Arzt durch künstliche Intelligenz (KI) zu ersetzen. Aber KI hat die Möglichkeit, Ärzte zu entlasten und Patienten in bestimmten Fragen genauer und schneller zu beurteilen als der Mensch. Doch auch Ärzte haben zuletzt einen wichtigen Vorteil: Sie sammeln jahrelang Erfahrungen in ihrem Fachgebiet, die nicht in den Datenberg übergehen und sich auch nicht mit Merkmalen und Mustern beschreiben lassen. Sie sind außerdem dazu fähig, kreativ und selbstständig Schlüsse zu ziehen, die auf diesen Erfahrungen beruhen. Die letztendliche Diagnose wird also immer den Arzt als Kontrollinstanz benötigen – auch wenn ein Algorithmus mögliche Diagnosen empfiehlt.