Der ersehnte Konkurrent des Arztes

Braucht man noch Menschen, um Menschen zu heilen? Warum das die falsche Frage ist.

8 Minuten
eine Frau, die einen weißen Mantel und eine Schutzbrille trägt [AI]

Im Wettstreit Ärzte gegen Computer steht es 1:0.

So zumindest lassen sich Nachrichten lesen, eine künstliche Intelligenz (KI), die den Job von Krebsärzten simuliert, mache gefährliche Fehler. Der virtuelle Onkologe namens „Watson“ arbeitet laut seinem Hersteller, dem amerikanischen IT-Unternehmen IBM, weltweit an 230 Krankenhäusern. Die Krebsabteilung des Reichskrankenhauses in Kopenhagen gehört seit Ende letzten Jahres nicht mehr dazu. Folge man Watsons Tipps, könnten Patienten sterben, statt zu genesen, warnte damals deren Boss Leif Jensen. Auch an anderen Kliniken habe die KI „unsichere und inkorrekte“ Behandlungsempfehlungen ausgespuckt, wie die amerikanische Medizin-Seite statnews jüngst berichtete.

Dabei gilt Watson als Superwaffe der Künstlichen Intelligenz, seit er 2011 zwei Quizkönige bei der Show Jeopardy wie Statisten aussehen ließ. Das Spiel verlangt Intuition und schnelle Assoziationen – eher die Stärke von Menschen als von Rechnern. Dachte man. Von nun an schien keine menschliche Expertise mehr vor digitaler Konkurrenz gefeit. Die ärztliche Kunst indessen scheint dem Angriff der Maschine standzuhalten.

Aber Moment mal: „Wettstreit“, „Superwaffe“, „Angriff“. Ist das überhaupt das angemessene Vokabular? Herrscht Krieg?

Wozu KI in der Medizin?

Nein, es herrscht kein Krieg. Die KI ist kein Gegner des Arztes, sondern sein immer weniger verzichtbares Werkzeug. Lernfähige Algorithmen gehören zur DNA der Heilkunst von morgen. Aus dem Trend zur personalisierten Medizin sind sie kaum wegzudenken. Sie können die Datenflut aus Vorsorgescreenings oder Genanalysen eindämmen, die sich von Ärzten allein nicht mehr bewältigen lässt. Mehr als ein Drittel der deutschen Mediziner erwartet bis zum Jahr 2030 alltägliche KI-Unterstützung bei Diagnose und Therapie, wie eine Umfrage des Hartmannbundes und des IT-Branchenverbands bitkom zeigt. „Ärzte brauchen dringend Hilfsmittel“, meint Gerd Reis, Forscher am Deutschen Zentrum für Künstliche Intelligenz (DFKI) in Kaiserslautern und Mitentwickler eines KI-Verfahrens, das helfen soll Prostatakrebs auf Ultraschallbildern zu erkennen.

Zuvor aber müssen Entwickler und Ärzte hohe Hürden überwinden. Oft reicht die Qualität der Daten nicht für eine automatisierte Auswertung, wie etwa Michael Forsting von der Uniklinik Essen moniert. Ein weiterer Haken: KIs begründen ihre Entscheidungen oft nicht, lassen sich also schwer kontrollieren. Forscher sind dabei, das zu ändern. Schließlich unterscheidet sich die medizinische Praxis international – einer der Gründe für die Skepsis gegenüber „Watson“ in Europa. Die Maschine wurde von Medizinern einer renommierten US-Klinik trainiert, die andere Therapieentscheidungen treffen als ihre Kollegen im alten Kontinent.

Treffsicherer als der Arzt

Aber was ist KI und warum braucht die Heilkunst sie?

KI umfasst jeden Versuch, menschliche Intelligenz maschinell nachzubilden. Ein hoher Anspruch, gemessen an der Flexibilität des homo sapiens. Ein in fremder Wildnis ausgesetzter Mensch wird Wege suchen und finden, zu überleben. Sein Weltwissen hilft ihm. Eine KI hingegen bildet nur einzelne Aspekte menschlicher Fähigkeiten nach: Etwa das Erkennen von Mustern in Bildern oder von Sinn in einem Text.

In der Medizin kommt meist eine KI-Technik namens „maschinelles Lernen“ zum Einsatz, die digitale Variante des „Lernens aus Erfahrung“. Der Rechner büffelt anhand tausender Beispiele, die ihr ein menschlicher Experte erklärt.

Ein alltägliches Beispiel hierfür ist das Erkennen von Objekten auf Bildern: Der Computer scannt tausende Fotos und ein Mensch sagt ihm, auf welchen davon Katzen zu sehen sind. Dadurch lernt der Computer die wesentlichen Merkmale der Tiere. Er ist von nun an in der Lage, zu verallgemeinern. Aus neuen, bislang unbekannten Fotos filtert er jene mit den pelzigen Schmeichlern drauf. Das funktioniert auch mit medizinischen Daten: Die KI erkennt nach einem Training automatisch Krankheiten auf Röntgenaufnahmen oder anderen medizinischen Bildern.

Von Experten trainiert, diagnostizierte eine KI treffsicherer als eine zufällig ausgewählte Gruppe von unterschiedlich routinierten Dermatologen, wie ein Vergleich von Forschern der Universität Heidelberg jüngst bewies. Das Team trainierte die KI zuvor an 100.000 Fotos. Ein Teil davon zeigte bösartige Melanome, ein anderer harmlose Muttermale. So lernte die Maschine, beides zu trennen. Die Forscher suchten dann 100 neue Bilder, die schwer diagnostizierbare Fälle zeigten. Diese legten sie nicht nur der KI vor, sondern auch 58 Dermatologen aus 17 Ländern. Die KI lag durchschnittlich bei 95% der Bilder richtig, die Hautärzte bei nur 86,6%. Der Fairness halber sollte man hinzufügen: Ein Teil der Fachärzte brachte weniger als zwei Jahre Erfahrung mit.

Die Blickschärfe der Maschine holt mitunter mehr Information aus medizinischen Daten als das Auge des Arztes, und damit mehr Wissen über die jeweilige Krankheit. „Sie erkennt beispielsweise für das Auge unsichtbare Kontrastunterschiede auf Röntgenbildern“, erklärt Jaroslav Bláha vom Hamburger Startup Cellmatiq.

An der Uniklinik Essen analysiert ein Algorithmus Ultraschallaufnahmen von Gebärmutterhalskrebs. „Auch wenn er nur auf den Tumor guckt, kann er uns mit 95 Prozent Wahrscheinlichkeit vorhersagen, ob diese Frau Metastasen hat“, sagte Michael Forsting jüngst bei einer Podiumsdiskussion. Der Arzt braucht für dafür mehr als nur eine Aufnahme des Tumors selbst.

KI soll die Tür zur personalisierten Medizin öffnen, zu einer Heilkunst also, die die Eigenheiten jedes einzelnen Patienten berücksichtigt. Beispiel Krebs: Eine Chemotherapie, die einem Kranken hilft, versagt beim nächsten. Das hängt oft an einer ganzen Menge subtiler Unterschiede in der Biologie des Krebses. Am Uniklinikum Essen begutachtet ein Algorithmus Lungenkrebs anhand von 1800 Parametern, wie Forsting berichtet. „So können wir sehr genau vorhersagen, auf welche Therapie der Patient ansprechen wird und auf welche nicht“, sagt der Radiologe.

Blick tief in jeden einzelnen Patienten

Die personalisierte Medizin bohrt tiefer nach den Ursachen von Krankheiten als bislang üblich. Sie schaut bis in die einzelne erkrankte Zelle hinein, ihre Gene, deren Veränderungen sich auf ihren Stoffwechsel auswirkt. Jeder Fall hat auf der Ebene des Winzigen seine eigene Biologie. Dumm nur: Das Spiel der Gene ist eine Hölle an Komplexität. Hier soll KI mehr Durchblick verschaffen.

Einzelne Gene stellen mal mehr, mal weniger von einem Protein her, oder werden von anderen Genen gänzlich abgeschaltet. Für das Zusammenspiel gibt es eine Unzahl an Möglichkeiten. Das fein austarierte Gleichgewicht ist leicht zu stören. Mutationen verändern Gene. Die meisten davon sind harmlos. Andere hingegen verursachen Krebs. Nur selten aber löst eine einzelne „Treibermutation“ das Übel aus. Stattdessen gibt es viele Schuldige. Ein bisschen, wie bei einem komplizierten Rezept: Etwas mehr oder weniger von einigen Zutaten entscheidet, ob es ein Geschmackserlebnis wird oder ein Reinfall. Nur welches sind die kritischen Zutaten? Der Rosmarin oder der Pfeffer? Oder beide zusammen?

Zurück zu den Genen. Manchmal bedeutet eine einzige Mutation ein hohes Risiko. Bei Brustkrebs etwa die Änderung zweier Gene (genannt BRCA1 und BRCA2), die im gesunden Zustand Tumorwachstum unterdrücken. Ob die Krankheit Jahre nach einer erfolgreichen Therapie wieder aufflammt, lässt sich aus wenigen Genmutationen indessen nicht abschätzen. Bei Brustkrebs soll die Aktivität von 70 bis 80 Genen diese Vorhersage ermöglichen.

Lernende Algorithmen durchdringen das Dickicht. „Maschinenlernen ist immer dann interessant, wenn es sehr viel mehr als nur einen Biomarker für die Krankheit gibt“, sagt Benedikt Brors vom Deutschen Krebsforschungszentrum in Heidelberg. Die Aktivität der Gene lässt sich grafisch darstellen. Für einen Menschen sieht das aus wie Bildrauschen – ohne sichtbare Struktur. Die KI hingegen erkennt darin Muster, die für eine gefährliche Gemengelage typisch sind.

Ob etwa ein Neuroblastom, ein Kinder befallender Tumor, sich aggressiv ausbreitet oder gutartig bleibt, lässt sich schwer vorhersagen. Fast 200 Gene steuern die Biologie des Krebses. KI erkennt in der Genaktivität Muster, die die aggressive Variante kennzeichnen. So steigerten Forscher um Brors die Genauigkeit der Vorhersage von 80 auf 95 Prozent. Der Bioinformatiker empfiehlt, die Methode künftig „zur Therapiewahl heranzuziehen“.

Ob personalisierte Medizin glückt, hängt auch davon ab, wie aktuell das Wissen der Ärzte über die Krankheit ist. Auf der Höhe zu bleiben, fällt angesichts einer Flut an Fachpublikationen indessen immer schwerer. Auch hier hilft KI. Die Software Watson etwa schürft Wissen laut IBM aus Patientenakten und Artikeln. Zum Beispiel scannte die KI 15 Millionen Seiten medizinischer Journale und Lehrbücher. Das Wissen landet dort, wo es gebraucht wird, wie der Fall eines 73-jährigen Lungenkrebspatienten am Jupiter Medical Center in Florida zeigt, den statnews anführt. Die Ärzte hatten sich zwischen verschiedenen Chemotherapien zu entscheiden. Watson empfahl eine Option, die auch die behandelnden Mediziner in Erwägung zogen. Sie entschieden sich für diese. Die Hintergrundinformation, darunter Fachartikel, hätten ihm mehr Gewissheit gegeben, dass die Therapie die richtige sei, sagte ein Onkologe des Teams später.

Trotz der Überlegenheit, die KI in der Medizin punktuell bewiesen hat, soll sie den Arzt nicht ersetzen. „Letztlich behält der Arzt die Hoheit, denn er wird auch für Fehler verantwortlich gemacht“, sagt Reis. Er nennt die KI eine „vielseitiges Hilfsmittel“. Ein Röntgenbild oder ein Genprofil allein zeigen immer nur einen engen Ausschnitt der Realität. Die KI hat nur eine enge Expertise, sie kann kein Arzt sein, nur der Experte für Spezialfragen.

Ärzte suchen händeringend nach automatischer Assistenz. „Seit 20 Jahren erforsche ich Früherkennungsmethoden für Melanome im heilbaren Stadium“, sagt Holger Hänßle von der Uniklinik Heidelberg, der das oben genannte KI-Verfahren zur Hautkrebsdiagnose mitentwickelt hat. Diese sollen ohne Gewebeproben arbeiten, um Screenings zu beschleunigen. „Als ich davon erfuhr, dass lernfähige Algorithmen menschliche Ärzte in bestimmten Feldern ausstachen“, sagt Hänßle, „wusste ich sofort, dass wir KI für die Diagnose von Melanomen erforschen müssen.“ Mancher Mediziner sieht in KI also alles andere als eine Bedrohung. Ausgereifte, mit mehr und qualitativ hochwertigen Daten trainierte KI dürfte ihre Erwartungen besser erfüllen als Watson.

Kratzen an der Perfektion

Der Mensch-Maschine-Antagonismus führt in die Irre. Arzt und Computer stehen nicht in Konkurrenz, sondern können ein Superteam bilden.

Schachspieler zeigen, wie es geht. Sie haben den Dämpfer von 1996 überwunden, als IBMs Superrechner Deep Blue den damaligen Schachweltmeister Garri Kasparov schlug. Danach herrschte Katerstimmung: Wenn es eine Maschine besser kann, wo ist dann der Reiz? Zudem trug diese Demo maschineller Denkmacht zur düsteren Erzählung „Mensch-gegen-Maschine“ bei. Auch Googles Software AlphaGo tat das, als sie einen der besten Spieler des asiatischen Brettspiels Go geradezu demütigte.

Spiele teilen die Welt klar in Gewinner und Verlierer. Allein, auf beiden Seiten gibt es neben Gehirn und Chip noch eine dritte Möglichkeit: Gehirn und Chip als ein Team. Die Schachszene nennt so ein Duo „Zentaur“. Sie vereinen menschliche Intuition, Kreativität und Empathie mit dem perfekten Erinnerungsvermögen des Computers und seiner Fähigkeit, rasant mögliche Zugfolgen durchzurechnen. Zentauren erreichen die Spielstärke von Großmeistern, auch wenn der menschliche Teil deutlich unter diesem Niveau spielt.

„Mischwesen“ aus Arzt und Computer könnten es noch besser machen. Bei einem Wettbewerb im Jahr 2016 schnitt der beste Algorithmus deutlich schlechter bei der Diagnose von Brustkrebs ab als ein Arzt. Er lag in 92,5 Prozent der Fälle richtig, der Pathologe in 96,6 Prozent. Als die beiden, KI und Arzt, kooperierten, perfektionierte sie ihre Treffsicherheit fast: Sie lag bei 99,5 Prozent.

Mitarbeit: Aitziber Romero.


VGWort Pixel