Zunehmende Automatisierung in Labor und Klinik und die Entwicklung von Hochdurchsatztechniken haben in den letzten Jahren zu einer wahren Datenflut in den Lebenswissenschaften geführt. Die Möglichkeit, viele Parameter innerhalb kürzester Zeit analysieren zu können, ermöglichte zwar viele innovative Entwicklungen zum Wohl von Mensch und Umwelt; jedoch blieb ein großer Teil der produzierten Daten häufig ungenutzt, weil deren vollständige Auswertung eine praktisch menschenunmögliche Herausforderung darstellte. So begannen IT-Spezialisten, Algorithmen mit menschenähnlichen Entscheidungsstrukturen zu entwickeln, um die Daten möglichst vollständig nutzen zu können. Dieses äußerst komplizierte Teilgebiet der Informatik wird allgemein als „Künstliche Intelligenz (KI)“ bezeichnet.

Ein Experte auf diesem Gebiet ist der Wirtschaftswissenschaftler Sergey Biniaminov, der das Karlsruher Unternehmen HS Analysis leitet, das für das Management großer Datenmengen und Softwareinfrastruktur im Life-Science-Bereich spezialisiert ist. „KI bedeutet für mich, dass ein Algorithmus in der Lage ist, Entscheidungen einer gewissen Komplexität eigenständig zu treffen“, erklärt er. „Dabei spielt in den Lebenswissenschaften vor allem ein Teilgebiet eine Rolle: das maschinelle Lernen. Damit können Informationen so verarbeitet werden, dass der Algorithmus nach einer vorgegebenen Vorgehensweise Handlungen autonom ausführt. Aber generell tun wir uns auf unserem Gebiet mit eindeutigen Definitionen schwer, weil der Einsatz so enorm vielfältig ist.“

Von den vielen Techniken des maschinellen Lernens kommt in den Lebenswissenschaften besonders häufig das sogenannte Deep Learning zum Einsatz, das heißt eine autonome und maschinelle Generierung von Wissen und Erfahrungen durch Algorithmen. „Wir als Menschen verfügen in unserem Wissen über unzählige Informationen. Darauf basiert unsere Erfahrung, und genau solche Informationen dienen als Dateninput für die Maschinen, die Informationen sammeln, mit den alten Daten vergleichen und anschließend eigenständig Entscheidungen treffen und daraus lernen“, beschreibt Biniaminov Deep Learning. Hier erleben wir aktuell nicht nur einen wahren Boom, sondern auch einen nachhaltigen Einsatz in verschiedenen Disziplinen – es passiert so viel, weil wir nun über die technischen Möglichkeiten verfügen.“

Auch bei der HS Analysis werden viele Projekte mithilfe der Technik bearbeitet: Eines der Geschäftsfelder besteht darin, umfangreiche Bilddaten mikroskopischer Aufnahmen auszuwerten. „Mit Deep Learning entstehen neue Möglichkeiten, die einzelnen Zusammenhänge und Objekte in den mikroskopischen Daten zu erkennen und zueinander in Zusammenhang zu bringen, was ganz neue Erkenntnisse ermöglicht“, so der Experte.

Die Wurzeln der KI liegen – ähnlich wie bei der Automatisierung – eigentlich in der Automobilindustrie, die an der Entwicklung solcher Datenanalysen beispielsweise für autonomes Fahren unter Hochdruck forscht. So wie Henry Ford einst Jahrzehnte später sozusagen die Automatisierung ins Labor brachte, setzte auch zunächst der Automobilsektor eine vielversprechende Art von Deep Learning, die CNNs (Convolutional Neural Networks) in der Bildbearbeitung ein. Dann wurden die Methoden auch in weiteren Branchen angewandt. Mittlerweile sind die Anwendungsmöglichkeiten der KI auch in Medizin und Lebenswissenschaften fast unüberschaubar vielfältig.

So sind auch in der medizinischen Diagnostik KI-Verfahren längst alltäglich. Beispielsweise können bei einer membranösen Glomerulonephritis, einer der häufigsten Nierenerkrankungen im Erwachsenenalter, einzelne Objekte der Niere mit einer sehr hohen Zuverlässigkeit zugeordnet, quantifiziert und in Vergleich mit Daten aus dem Krankheitsgeschehen in Verbindung gebracht werden. „Dies ist auch auf andere Organe und deren Segmente übertragbar. So können unterschiedlichste Krankheiten durch eine präzisere Diagnostik behandelt werden“, erklärt Biniaminov, der gerade am Aufbau eines bundesweiten Diagnostiknetzwerks mitarbeitet.

Jedoch hat die KI wie jede innovative Technologie ihre Grenzen und Schwächen, und Skeptiker befürchten, im internationalen Wettrennen könne nicht immer nur verantwortungsvoll mit den Daten umgegangen werden. „Wir machen es uns bewusst zur Aufgabe, auch die Grenzen der Technologie zu kommunizieren, denn nur so sind wir in der Lage, auftretende Probleme zu lösen“, so der Geschäftsführer. „Eine Software hat zum Beispiel immer eine Fehlerwahrscheinlichkeit. Deshalb können wir nicht einfach überall die gleichen allgemeinen Modelle anwenden, sondern müssen jeden Fall individuell betrachten.“

Ein weiteres Problem sei es, dass man zwar sehr genaue Ergebnisse erhalte, aber in den meisten Fällen noch gar nicht genau nachvollziehen könne, warum ein Modell ein bestimmtes Ergebnis liefere: „Unsere Mission ist es zu erklären, warum die Modelle zu einer Erkenntnis gekommen sind, aber Stand heute ist das sehr schwer.“ Grund hierfür seien die CNN, auf denen die Technologie basiert: Hier gäbe es Entscheidungsebenen und -möglichkeiten im Millionenbereich, sodass die Ergebnisse für den Menschen derzeit einfach nicht interpretierbar seien.

Doch trotz Grenzen und Schwächen der neuen Technologie würden dennoch die Vorteile bei Weitem überwiegen, meint der Wissenschaftler: „Natürlich ist der Mensch in der Analyse besser, wenn er nur ein einziges Bild betrachtet. Müssen aber tausende Bilder oder Merkmale ausgewertet werden, dann kann ein Roboter bzw. der Algorithmus den Menschen perfekt unterstützen. Deshalb braucht der Mensch die Maschine als Assistent.“

Um die Nachteile auszugleichen, müssten nach Ansicht des Experten Mensch und Assistent miteinander kommunizieren können. An solch einer optimalen Mensch-Maschine-Kollaboration arbeitet er im Moment. „Die Vision besteht darin, mehrere unterschiedliche neuronale Netzwerke miteinander zu kombinieren. Diese könnten dann unabhängig wie zwei Menschen Entscheidungen treffen, und das eine Netzwerk würde die Entscheidungen eines anderen Netzes in einer Logik liefern, die in einer für den Menschen verständlichen Dimension vorliegt“, erklärt er seine Idee. „Wir müssen sie dann nur noch visualisieren und in den diagnostischen Kontext einbringen. Bei dieser Mission ist es uns wichtig, den Austausch mit Spezialisten zu haben und an konkreten Projekten Reproduzierbarkeit und Objektivität zu überprüfen.“