Deep Learning verbessert die Patientenversorgung

Zunächst einmal herzlichen Glückwunsch zum Promotionsstipendium „Digitale Medizin“, das die Deutsche Ärzte Finanz für das Jahr 2023 an Sie vergeben hat.

Vielen Dank – ich freue mich wirklich sehr über das Stipendium und wie sehr es mich bei meinem eingeschlagenen Weg und bei meinem gewählten Forschungsansatz unterstützt.

Wie kamen Sie zum Thema Brustkrebsfrüherkennung mithilfe von Deep-Learning-Methoden?

Kurz gesagt: Die Covid-19-Pandemie war „schuld“! Mein zweites Staatsexamen wurde auf unbestimmte Zeit verschoben. Die Lücke bis zum Examen habe ich mit dem Lernen der Programmiersprache Python überbrückt, die ich mir mit Online-Kursen beigebracht habe. Ich hatte schnell erste Erfolge: Mein Code funktionierte und die Erstellung von Programmen hat mich gefesselt. Ich dachte, dass das eine gute Ergänzung zu meinem medizinischen Weg sein könnte.

Was versteht man unter Deep Learning?

Deep Learning gehört zum Bereich des maschinellen Lernens in der Informatik und stellt einen Bereich dar, in dem künstliche neuronale Netzwerke (kurz ANNs), eine spezielle Art von Algorithmen, Anwendung finden. ANNs können aufgrund ihrer Architektur effizient darauf trainiert werden, Merkmale aus Bildern zu extrahieren und zu interpretieren.

Seit März 2022 forschen Sie am KI-Institut der Technischen Universität München. Warum ist es der richtige Ort für Sie?

Das Institut für künstliche Intelligenz in der Medizin und Informatik wird von Prof. Dr. Daniel Rückert und Prof. Dr. Rickmer Braren geleitet. Es zeichnet sich vor allem durch die enge Zusammenarbeit zwischen Informatiker:innen und Mediziner:innen aus. Meiner Meinung nach hat es in diesem interdisziplinären Bereich eine Vorreiterrolle in Deutschland inne. Ziel unserer Forschung ist es, technische Innovation im Bereich des maschinellen Lernens zu erforschen und in den klinischen Alltag zu bringen.

Und genau vor diesem Hintergrund setzt Ihre Forschungsarbeit an, richtig?

Ja! Mein Wunsch ist eine fairere Verteilung der qualitativen Versorgung, und zwar mit einer günstigen Software und nicht mit Geräten, die nur mit hochentwickelter Infrastruktur funktionieren, wie MRT- oder Tomosynthesegeräte. Meine Fragestellung ist: Wie können wir günstig, auch in Ländern des globalen Südens, eine Brustkrebsfrüherkennung ermöglichen?

Wie muss man sich Ihre tägliche Arbeit genau vorstellen?

Meine Arbeitsumgebung ist ziemlich unspektakulär. Ich sitze am Rechner, schreibe meinen Code und werte Daten aus. Dafür nehme ich ein neuronales Netzwerk her und zeige ihm zum Beispiel Bilder aus dem Mammografie-Screening. Das Bild läuft durch alle Schichten des neuronalen Netzwerks hindurch. Dieses trifft dann eine Entscheidung, grob gesagt „Tumor“ oder „Nichttumor“. Ist die Entscheidung richtig, dann werden die Parameter im Netzwerk nicht angepasst. Ist die Entscheidung falsch, berechnet eine sogenannte Verlustfunktion die Größe des Fehlers, also, wie weit das Netzwerk danebenlag.

Dieser Fehler wird anschließend noch einmal rückwärts dem Netzwerk als Feedback gegeben. Die Parameter werden dann entsprechend des Fehlers angepasst. Das ist der eigentliche Prozess des maschinellen Lernens und man wiederholt ihn immer wieder. Je mehr Bilder zur Verfügung stehen, desto repräsentativer ist das für die Aufgabe und desto genauer wird das Netzwerk darin, die Aufgabe zu bewältigen und die richtigen Entscheidungen zu treffen.

Wo ist die Schnittstelle zu den ärztlichen Kolleginnen und Kollegen aus der Radiologie?

Mithilfe der radiologischen Abteilung legen wir fest, welche Bilddaten für unser Training infrage kommen. Diese können wir in die Netzwerke einspeisen. Das ist das Training. Auf diese Bilder wird unser Netzwerk letztlich trainiert – so erreicht es Expertise und Kompetenz. Ein Großteil meiner Arbeit besteht also aus der richtigen Auswahl der Daten – auch unter der Fragestellung: Welche Daten kann ich nutzen, welche sollte ich nutzen?

Da geht es zum Beispiel auch um das Schlagwort Fairness. Uns muss bei der Analyse bewusst sein, dass wir mit den hier im Einzugsgebiet München erhobenen Daten nur begrenzt Vorhersagen über ein Patientinnenkollektiv, das darüber hinausgeht, treffen können. In unserem konkreten Beispiel kann zum Beispiel die Zusammensetzung des Brustgewebes je nach ethnischer Herkunft unterschiedlich sein. Das kann Vorhersagen des Algorithmus auf bestimmte, in unserem Datensatz vielleicht unterrepräsentierte Bilddaten, erschweren. Um dem entgegenzuwirken, sehe ich in der Zusammenarbeit verschiedenster Krankenhäuser weltweit großes Potenzial.

Die Erklärbarkeit von gewonnenen Daten wird immer wichtiger. Sie sprechen in diesem Zusammenhang von einem ethischen Anspruch an Forschende.

Da sprechen Sie ein Thema an, das mir sehr am Herzen liegt. Die Erklärbarkeit von Daten muss gewährleistet sein und genießt allerhöchste Priorität. Auch dazu wird zunehmend mehr geforscht. Ich stelle mir tagtäglich die Frage, wie kann ich verstehen und nachvollziehen, wie mein Netzwerk zu der Entscheidung kommt? Und: Wie hat mein Netzwerk die Entscheidung getroffen? Wie ist der Prozess dorthin? Wir müssen erklären, was passiert und wo der Algorithmus „hinschaut“! Sonst werden die künstlichen neuronalen Netzwerke die Blackboxen bleiben, als die sie bezeichnet werden.

Wird KI irgendwann einmal die Ärztin oder den Arzt ersetzen können?

Wenn ich den Leuten erzähle, worüber ich meine Doktorarbeit schreibe, denken viele, dass ich daran arbeite, mich selbst abzuschaffen. Ich denke jedoch, dass meine Forschung dazu beiträgt, die Arbeit von Radiologinnen und Radiologen in Zukunft einfacher, genauer, effizienter und letztlich besser zu machen. Wenn wir eine zuverlässig funktionierende medizinische Bilderkennung implementieren können, verbessern wir auch die Patientenversorgung. Ich denke, wir werden sogar mehr gut ausgebildete Radiologen brauchen, um die steigenden Untersuchungszahlen zu bewältigen, die durch die schnellere Bildanalyse und die neuen Techniken auf uns zukommen.

Klar ist auch: Keine KI der Welt wird die zwischenmenschlichen Beziehungen ersetzen können, daher werden wir auch weiterhin in unserer Rolle als Ärztinnen und Ärzte bestehen – das ist schließlich unser Beruf!