Maschinelles Lernen und KI Kausales ML: Qualitätssprung in der Therapie

Kann Künstliche Intelligenz lernen, mit kausalen Zusammenhängen umzugehen? Ja, sagt ein Forscherteam aus München. Damit öffnet sich ein weiteres Einsatzgebiet für KI-Verfahren – und treibt die Umsätze voran.

Die Umsatzprognosen für Künstliche Intelligenz sind enorm. Laut einer aktuellen Prognose von MarketsandMarkets soll der weltweite Umsatz allein im Gesundheitssektor bis zum Jahr 2029 auf 148,4 Milliarden US-Dollar ansteigen. Für das Jahr 2024 wird mit 20,9 Milliarden gerechnet.

Überall KI

Dieser prognostizierte Anstieg um rund 48 Prozent in den kommenden fünf Jahren zeigt: Künstliche Intelligenz (KI) ist aus der Medizin nicht mehr wegzudenken. Nach Aussagen eines Forscherteams der Ludwig-Maximilians-Universität München (LMU) seien KI-Verfahren derzeit bei bildgebenden Verfahren oder dem Berechnen von Krankheitsrisiken „zuhauf in der Entwicklung und Erprobung“. „Überall da, wo es darum geht, Muster in großen Datenmengen zu erkennen, kann die Maschine, so die Hoffnung, dem Menschen gute Dienste leisten. Sie vergleicht klassischerweise mit gelernten Beispielen, zieht daraus ihre Schlüsse und leitet Vorhersagen ab“, heißt es aus München.

Doch allein dabei wird es nicht bleiben. Aktuell arbeiten die Forscher daran, dass die KI nicht nur Vorhersagen trifft, sondern auch mit kausalen Zusammenhängen umzugehen lernt. „Lassen sich mit sogenanntem Kausalen Maschinellen Lernen (ML) Behandlungsergebnisse abschätzen – besser als mit bisher gängigen Machine-Learning-Verfahren?“, lautete die Ausgangsfrage des internationalen Teams um Professor Dr. Stefan Feuerriegel, der das Institut für „Artificial Intelligence in Management“ an der LMU leitet. Die Antwort im Fachblatt Nature Medicine: Ja. Die neue Machine-Learning-Variante biete „eine Fülle von Möglichkeiten, Behandlungsstrategien zu personalisieren und damit die Gesundheit der Patienten individuell zu verbessern", schreiben die Forscherinnen und Forscher aus München, Cambridge und Boston, zu denen auch Stefan Bauer und Niki Kilbertus, Informatikprofessoren an der Technischen Universität München (TUM) und Arbeitsgruppenleiter bei Helmholtz AI, gehören.

Ursache und Wirkung

Gerade im Hinblick auf Therapieentscheidungen erwarten die Forscher einen Qualitätssprung. Klassisches Maschinenlernen erkenne Muster und entdecke Korrelationen, aber das kausale Prinzip von Ursache und Wirkung bleibe den Maschinen in aller Regel verschlossen, erläutern sie. Doch gerade bei Therapieentscheidungen gebe es kausale Zusammenhänge. Als Beispiel nennen sie Diabetes: Klassisches ML würde darauf abzielen, vorherzusagen, wie wahrscheinlich eine Erkrankung ist, wenn der Patient eine Reihe von Risikofaktoren mitbringt. Mit Kausalem ML hingegen könne man im Idealfall beantworten, wie sich das Risiko verändert, wenn der Patient ein Anti-Diabetes-Mittel bekommt, eine Ursache (die Medikamentengabe) also eine Wirkung hat. Es wäre auch möglich, abzuschätzen, ob ein anderer Behandlungsplan besser sei als etwa das häufig verabreichte Medikament Metformin.

Um dies einschätzen zu können, „müssen die KI-Modelle lernen, Fragen nach dem Muster ,Was wäre, wenn' zu beantworten“, erklärt Jonas Schweisthal, Doktorand in Feuerriegels Team. „Wir geben der Maschine Regeln dafür mit, die kausale Struktur zu erkennen und das Problem richtig zu formalisieren“, ergänzt Feuerriegel. Sie müsse lernen, die Auswirkungen von Eingriffen zu erkennen und gleichsam zu verstehen, wie sich Folgen in der Realität im Datenfutter der Rechner widerspiegeln.

Keine Software „out of the box“

Laut Feuerriegel sei beispielsweise im Marketingbereich das Arbeiten mit Kausalem ML seit längerem in der Erprobungsphase. „Unser Ziel ist es, die Methoden auch einen Schritt näher an die Praxis zu bringen“, sagt er. Im medizinischen Bereich ist hierfür eine größere Kraftanstrengung nötig. „Die Software, die wir für kausale ML-Methoden in der Medizin brauchen, gibt es nicht out of the box“, erklärt Feuerriegel, der wie seine TUM-Kollegen Stefan Bauer und Niki Kilbertus auch im Munich Center for Machine Learning und der Konrad Zuse School of Excellence in Reliable AI unter anderem zu Fragen von KI in der Medizin und Decision Making forscht. Hierfür sei eine „komplexe Modellierung“ der jeweiligen Problemstellung nötig, „bei der KI-Experten und Mediziner eng zusammenarbeiten“, sagt Feuerriegel.

Arzneimittelforschung

Neue Wege gehen: KI in der Medikamentenentwicklung

(ID:50011277)