Künstliche Intelligenz in der Medizin wirft viele Fragen auf. Auf dieser Seite wollen wir auf die häufigsten Fragen zum Thema „KI in der Medizin“ eingehen und erklären zuallererst, wofür man künstliche Intelligenz überhaupt braucht.

Natürlich können wir auch ohne künstliche Intelligenz (KI) leben, und die Menschheit hat das über Zigtausende von Jahren getan. Dennoch kann einem KI das Leben ziemlich erleichtern.

Ob es um Hilfe beim Schul-Aufsatz geht, um die Erstellung eines Reiseplans oder um Hilfe bei der Installation eines neuen technischen Geräts, KI beantwortet jede Frage. KI kennt keine Gefühle und reagiert also nie ungeduldig oder genervt. In der Arbeitswelt kann KI Routineaufgaben übernehmen und dadurch helfen Zeit zu sparen, die man dann für schwierigere Aufgaben einsetzen kann.

Der größte Nutzen künstlicher Intelligenz für den Bereich der Medizin liegt darin, dass KI innerhalb von sehr großen Datenmengen komplexe Korrelationen erkennen kann und anhand dessen ziemlich zuverlässige Prognosen erstellen kann.
Der Durchbruch in der Bilderkennung, bei dem KI-Systeme übermenschliche Leistung erreichten, fand ungefähr um das Jahr 2015 statt. Vor allem die Einführung von Convolutional Neural Networks (CNNs) war ein Meilenstein.
CNNs sind spezielle künstliche Intelligenz-Systeme, die gut darin sind, Bilder zu analysieren. 2012 gewann ein solches System namens AlexNet einen bedeutenden Wettbewerb namens ImageNet Large Scale Visual Recognition Challenge, bei dem es darum ging, Objekte auf Bildern zu erkennen.

In den folgenden Jahren verbesserten sich die KI-Modelle kontinuierlich, und etwa ab 2015 begannen sie, menschliche Experten in einigen Bilderkennungsaufgaben zu übertreffen.

Im Glossar der Plattform Lernende Systeme werden von "Adversarial Machine Learning" bis "Wahrnehmung und Sehen" alle wichtigen Begriffe rund um künstliche Intelligenz und lernenden Systemen verständlich erklärt.

Ein Algorithmus ist erst einmal nichts anderes als eine Handlungsanleitung, die auf Regeln basiert. Wie ein Backrezept, das die Anleitung gibt, welche Schritte in welcher Reihenfolge erledigt werden müssen, damit am Ende ein guter Kuchen herauskommt.

Aber man kann sich vorstellen, dass eine solche Handlungsanleitung nicht ausreicht, um zum Beispiel eine Sprache zu erlernen. Sprache ist viel zu kompliziert, die Handlungsanleitung wäre irgendwann zu komplex, auch weil sich manche Regeln widersprechen: Wer einen Duden auswendig lernt, um Deutsch zu lernen, kommt nicht weit.

Manchmal ist es also sinnvoll, dass ein Rezept „intelligent“ ist. Wenn man einem Algorithmus Intelligenz beibringen will, gibt es verschiedene Methoden.

Beim überwachten Lernen braucht man Daten, die von Experten mit Bezeichnungen versehen wurden („labeled data“). Die Bezeichnungen, die der Experte festlegt, dienen dazu, die Aussagen des Algorithmus zu kontrollieren. Deshalb nennt man es "überwachtes" Lernen.
Dazu zeigt man dem lernfähigen Algorithmus Daten aus der realen Welt - zum Beispiel ein Fotoalbum mit vielen Bildern, auf denen Katzen sind und andere, auf denen keine Katzen sind. Bei jedem Bild sagt ein Experte dem Algorithmus, ob eine Katze darauf abgebildet ist oder nicht. Nachdem der Algorithmus viele Bilder gesehen hat, lernt er, wie Katzen aussehen und kann neue Bilder erkennen, auf denen Katzen sind.

Unüberwachtes Lernen eignet sich für Aufgaben, bei denen es keine festgelegten Bezeichnungen (Labels) gibt und der Algorithmus selbstständig Muster oder Strukturen in den Daten erkennen muss, ohne auf Expertenwissen zurückzugreifen.
Ein unüberwachter Lernalgorithmus könnte zum Beispiel die genetischen Informationen von Krebspatienten untersuchen. Der Algorithmus sucht nach Mustern in den Genen, die für unterschiedliche Krebsarten oder -formen typisch sind. Durch das Auffinden solcher Muster können wir besser verstehen, wie sich Krebsarten unterscheiden und maßgeschneiderte Behandlungen für jeden Patienten entwickeln.

Bestärkendes Lernen (reinforcement learning) eignet sich besonders für Situationen, in denen ein Computerprogramm oder eine künstliche Intelligenz durch Versuch und Irrtum lernen soll, eine Aufgabe zu meistern.
Die KI ist wie ein Spieler, der ein Spiel wie "Schach" spielt. Zuerst kennt die KI die Regeln nicht und trifft viele falsche Entscheidungen. Aber mit der Zeit bekommt die KI Rückmeldungen von der Spielumgebung in Form von Belohnungen (z.B. gegnerische Spielfiguren schlagen) oder Strafen (z.B. eigene Spielfiguren verlieren). Durch diese Rückmeldungen lernt die KI, welche Aktionen in verschiedenen Situationen am besten sind, um das Spiel erfolgreich zu meistern und eine hohe Punktzahl zu erreichen.

Eine erste Idee davon, was eine künstliche Intelligenz zu leisten imstande ist, gab es 1996, als ein Schachalgorithmus den ersten Sieg gegen einen menschlichen Schachmeister einfuhr.
20 Jahre später, 2016, wurde der 18-fache Go-Weltmeister Lee Sedol aus Südkorea vom Computerprogramm AlphaGo geschlagen. Das Spiel Go gilt als eines der komplexesten Brettspiele der Welt.
Der Sieg von AlphaGo gegen Lee Sedol galt als Durchbruch in der künstlichen Intelligenz. Niemand hatte gedacht, dass ein Computerprogramm einen menschlichen Go-Meister auf so hohem Niveau schlagen könnte.

Beide Algorithmen, sowohl für Schach als auch für Go, wurden mit Methoden des Machine Learnings trainiert.

Ein "dummer" Algorithmus ist ein Algorithmus, der keine Lernfähigkeit oder Anpassungsfähigkeit besitzt. Solche Algorithmen sind in der Regel einfach, folgen festen Regeln und verwenden keine maschinellen Lernmethoden. Sie sind nicht in der Lage, ihre Leistung im Laufe der Zeit zu verbessern oder sich an neue Situationen oder Daten anzupassen.

Dass der Algorithmus „dumm“ ist, heißt allerdings nicht, dass er unbrauchbar ist. Im Gegenteil, solche einfachen Anleitungen sind sehr nützlich, wenn die Aufgabenstellung klar und gut definiert ist oder eine schnelle und einfache Lösung ausreicht.
Ein Heizungs-Thermostat, das so programmiert wird, dass die Temperatur in einem Operationssaal die vorgeschriebene Gradzahl erreicht, braucht keine Intelligenz. Hier würde man mit Kanonen auf Spatzen schießen, weil ein intelligenter Algorithmus ja auch viel rechenintensiver und schwieriger zu implementieren ist.

Oder anders gefragt: Was kann KI, was ein Arzt nicht kann?

KI in der Medizin zielt nicht darauf ab, Ärzte zu ersetzen. Ärzte haben eine knapp 10-jährige, sorgfältige Ausbildung und ein enormes Fachwissen. KI soll in der Medizin Ärzte und Ärztinnen unterstützen und als Ergänzung zu ihrem Fachwissen und ihrer Erfahrung dienen. Also nur gemeinsam sind sie stark - Mensch und Maschine.

KI kann die Arbeitsbelastung senken, weil sie eine Menge zeitintensiver Routine- und Bürokratieaufgaben erledigen kann. Der Mensch behält aber immer das letzte Wort, also die Entscheidung, ob er die Unterstützung durch KI annimmt oder nicht. Aber in der Nutzung von KI liegt eine große Chance, dass sich die Qualität der Patientenversorgung insgesamt verbessert.

Der Einsatz von Methoden der künstlichen Intelligenz in der Medizin bedeutet, dass Ärzte und Ärztinnen Computer zu nutzen, um bei Diagnosen und Behandlungen unterstützt zu werden. Das heißt, Computerprogramme und Algorithmen helfen, medizinische Daten zu analysieren, Diagnosen zu stellen und Therapieempfehlungen abzugeben. Der Arzt bzw. die Ärztin behält natürlich die Kontrolle – und das letzte Wort.

KI wird verwendet, um enorme Datenmengen zu analysieren. Solche Daten entstehen beispielsweise bei Untersuchungen mit Röntgenstrahlen, CT-Scans oder MRT-Aufnahmen. In diesen medizinischen Bildern kann KI Muster und Zusammenhänge erkennen, wodurch sie zuerst einmal dabei hilft, zu verstehen, was als "normal" gilt. Wenn beispielsweise Tausende von Menschen das gleiche Genom haben, können Ärzte ausschließen, dass eine bestimmte Krankheit von einem dieser Gene verursacht wird.

Im nächsten Schritt suchen Forscher nach Unterschieden, nach Anomalien: Wie unterscheidet sich das Genom eines bestimmten Patienten von allen anderen Genomen? Wenn sie den Unterschied finden, haben sie wahrscheinlich die Ursache für die Krankheit des Patienten identifiziert. Sobald der Arzt oder die Ärztin die Ursache der Krankheit kennt, kann er oder sie jeden Patienten individuell behandeln.

• Diagnostische Bildgebung: KI-Systeme, insbesondere Deep Learning-Modelle, helfen dabei, medizinische Bilder wie Röntgenaufnahmen, CT-Scans und MRTs genauer und schneller auszuwerten.
• Pathologie: KI unterstützt Ärzte bei der schnellen und genauen Erkennung von Auffälligkeiten in Gewebeproben, z.B. bei Krebsdiagnosen.
• Genetik: KI analysiert große Mengen genetischer Daten, um Gene und Marker zu finden, die mit Krankheiten verbunden sind.
• Medikamentenentwicklung: KI beschleunigt die Entdeckung und Entwicklung neuer Medikamente, indem sie hilft, potenzielle Wirkstoffkandidaten zu identifizieren und ihre Wirkung vorherzusagen.
• Personalisierte Medizin: KI entwickelt individuelle Behandlungspläne basierend auf den genetischen, biologischen und klinischen Daten eines Patienten, um die Wirksamkeit von Therapien zu erhöhen.
• Prognose: KI erkennt Muster in Patientendaten, um den Krankheitsverlauf vorherzusagen und das Risiko von Komplikationen zu bewerten.
• Telemedizin: KI-gestützte Chatbots und virtuelle Assistenten bieten medizinische Beratung und Hilfe für Patienten, insbesondere in Gebieten mit begrenztem Zugang zu Gesundheitsdiensten wie Krankenhäusern, Arztpraxen oder Fachärzten. Sie sind auch für Patienten nützlich, die Schwierigkeiten haben, persönlich eine medizinische Einrichtung aufzusuchen.
• Operationsplanung und -assistenz: KI-Systeme helfen bei der Planung von Operationen und unterstützt Chirurgen in Echtzeit, um Präzision und Sicherheit zu erhöhen.
• Verwaltung und Organisation im Gesundheitswesen: KI verbessert die Effizienz in der Verwaltung von Patientendaten, Terminplanung, Abrechnung und anderen administrativen Aufgaben

Nein, KI fungiert als Unterstützung für Ärzte und medizinisches Fachpersonal, indem sie Routine-Aufgaben übernimmt. Im Idealfall gewinnt der Arzt dadurch sogar mehr Zeit für seine Patienten, da er lästige und zeitaufwändige Aufgaben der KI anvertrauen kann - zum Beispiel, wenn er Arztbriefe nicht mehr komplett selbst verfassen muss, sondern lediglich noch Korrektur liest. Ebenso kann ein Radiologe die routinemäßige Bilderkennung einer KI übertragen und dadurch seine weniger ermüdeten und beanspruchten Augen für komplizierte Fälle einsetzen.

Die Sicherheit von KI-Anwendungen hängt von der Qualität der verwendeten Daten und der Robustheit des entwickelten Algorithmus ab. KI-Systeme müssen strengen Tests und Zertifizierungen unterzogen werden, bevor sie in der klinischen Praxis eingesetzt werden dürfen.

Ärzte wissen oft nicht, ob ihr Patient auf ein bestimmtes Medikament anspricht, weil sie nicht genügend Kenntnisse über sie oder ihn haben. Die Behandlung hängt stark vom Erfahrungsschatz des jeweiligen Arztes ab. Es gibt viele unnötige Behandlungen, Fehldiagnosen und zufällige Befunde und entsprechend verursachtes Leid. Manchmal reagiert nur ein Patient von vieren auf ein Medikament; manchmal ist es nur einer von 25.

Das Aktionsbündnis Patientensicherheit e.V. schätzt, dass unerwünschte Arzneimittelwirkungen jedes Jahr zu etwa 250.000 Krankenhauseinweisungen führen. Das sind 5% aller Fälle. Fehler, die der Einsatz von künstlicher Intelligenz verhindern helfen könnte.

Hier kommt KI ins Spiel: Sie analysiert individuelle genetische, metabolische und klinische Informationen, also Krankheitsgeschichte, Laborergebnisse und entwickelt daraus passgenaue Diagnose- und Therapieansätze für jeden Patienten. Eine Therapie, die wie ein Schneider alle Besonderheiten der Person X berücksichtigt und dem Patienten ein maßgeschneidertes Kostüm schneidert, das perfekt sitzt – personalisiert eben.

KI kann dazu verwendet werden, optimale und individualisierte Behandlungspläne zu erstellen, Medikamentenarte und -dosierungen anzupassen, mögliche Wechselwirkungen vorherzusagen und die Wirksamkeit von Therapien zu überwachen. Das sieht so aus, dass Patienten vielleicht die gleiche Krankheit haben, aber dennoch unterschiedliche Therapien und Medikamente verordnet kriegen – je nach Abhängigkeit von der speziellen Ausprägung der Krankheit oder der physischen und psychischen Konstitution des Patienten.

Um beim Bild mit dem Schneider zu bleiben: Aktuell ist es mehr oder weniger so, dass es einen einzigen Anzug für alle gibt. Die Größe und Weite des Anzugs wurde ermittelt, indem hauptsächlich junge Männer vermessen wurden. Und diesen Anzug bekommt jetzt jeder übergestülpt, ob er nun passt oder nicht, ob Mann oder Frau oder divers - was anderes gibt es nicht. Das bedeutet, Medikamente sind mit all ihren Wirkungen und Nebenwirkungen vor allem auf männliche Probanden zugeschnitten. Das liegt daran, dass Zulassungsstudien vorwiegend mit jungen Männern durchgeführt werden, denn sie haben einen großen Vorteil: Sie werden nicht schwanger, verlassen eine Studie also nicht vorzeitig und ihr Stoffwechsel unterliegt nicht im gleichen Maße hormonellen Schwankungen wie der von Frauen, verfälschen Studienergebnisse also nicht.

Die Folge ist, dass Frauen häufig übertherapiert werden, manchmal sogar mit der Gefahr, an der Übermedikation zu sterben. Methoden der KI könnten dieses Problem lösen, indem sie Daten aller Menschen, eben auch Frauen, analysieren und in die Medikamentenentwicklung mit einfließen lassen.

Daneben gibt es noch ein anderes, eher praktisches Argument: KI kann große Datenmengen aus biologischen und chemischen Datenbanken analysieren, um herauszufinden, welche Medikamente welche möglichen Wirkungen haben - Nebenwirkungen oder Wechselwirkungen mit anderen chemischen Verbindungen und Toxizität. Bevor ein Forscher also in die falsche Richtung weiterforscht, kann er eine solches Experiment frühzeitig abbrechen und sich auf vielversprechendere Kandidaten konzentrieren. KI könnte des Weiteren Studiendesigns entwickeln oder geeignete Patientenpopulationen für klinische Studien auswählen.

Insgesamt könnte die Entwicklung neuer Medikamente also nicht nur passgenauer, sondern auch wesentlich schneller vonstatten gehen.

Genetische, biometrische und Gesundheitsdaten unterliegen als sensible personenbezogene Daten dem besonderen Schutz der DSG-VO. Personenbezogene Daten sind alle Daten, die Rückschlüsse auf die Person zulassen, also die Identität der Person preisgeben könnten. Der Schutz personenbezogener Daten bedeutet also, die Privatsphäre der betroffenen Person zu schützen.

Weil die Funktionsweise vieler KI-Algorithmen oft nur schwer oder gar nicht nachvollziehbar ist, ist oft nicht klar, auf welcher Basis bestimmte medizinische Entscheidungen getroffen werden. Transparenz ist aber eine der wichtigsten Voraussetzungen dafür, dass Daten gespeichert werden: Der Patient muss wissen, welche seiner Daten zu welchem Zweck erhoben und für wie lange gespeichert werden. Und er muss damit einverstanden sein. Das ist nicht immer der Fall.

Als zweites steht die Frage nach der Haftung im Raum. Ärzte machen Fehler. Künstliche Intelligenz auch. Wenn ein Arzt künstliche Intelligent zur Entscheidungsfindung benutzt, wer ist für Fehler dafür verantwortlich? Der Arzt oder das Unternehmen, das die KI entwickelt hat? Kann ein Arzt, eine Ärztin, die KI verwendet, verklagt werden? Oder kann er / sie verklagt werden, weil er sie eben nicht verwendet?
Diese Fragen sind noch nicht befriedigend geklärt.

Drittens können KI-Systeme bereits existierende Ungerechtigkeiten verstärken, weil sie mit Daten trainiert werden, die womöglich diskriminierend sind oder die bestimmte Bevölkerungsgruppen benachteiligen. Diese Vorurteile zu erkennen und zu eliminieren ist eine große Aufgabe – wer ist sich schon über fest etablierte Vorurteile bei sich selbst bewusst und erkennt eigene Voreingenommenheit?
Aus diesem Grund gibt es schon Ansätze und Tools, die speziell dafür entwickelt wurden, diese so genannten bias aufzuspüren und zu reduzieren.

Datenschutz ist ein zentrales Anliegen bei der Anwendung von KI in der Medizin. Anbieter von KI-Lösungen müssen strenge Datenschutzrichtlinien einhalten, um die Vertraulichkeit und Sicherheit der Patientendaten zu gewährleisten.

Hacker legten im Jahr 2020 fast jede Woche Kliniken oder Forschungseinrichtungen lahm. Daneben haben sie auch andere sogenannte kritische Infrastruktur im Visier, wie Energie- und Wasserversorger, Banken und Versicherungen. Dabei geht es weniger um Spionage, als eher um Erpressung: Die Hacker verschlüsseln die Daten, so dass die Computer, aber auch medizinische Geräte oder Schließsysteme unbrauchbar werden. Gegen einen entsprechenden Geldbetrag, oft in Kryptowährung, versprechen sie, die Daten wieder freizugeben.

Hacker sind auch ein Problem bei der Einführung der elektronischen Patientenakte. In dieser Akte ist die komplette Krankengeschichte des Patienten gespeichert, Operationen, Medikamente, Vorsorgeuntersuchungen, Bilder von Röntgen-, MRT oder CT-Untersuchungen usw. Das hat den Vorteil, dass ein Arzt / eine Ärztin, auch wenn er/sie den Patienten nicht kennt, sofort weiß, was bisher gemacht wurde.

Gesundheitsdaten sind allerdings besonders sensible Daten und als solche auch besonders geschützt. Vor diesem Hintergrund weist der Chaos Computer Club auf den Datenschutz hin, der bei der elektronischen Patientenakte nicht ausreichend gewährleistet ist.
Auch für diese Problem hat man noch keine für alle befriedigende Lösung, es wird weiter heftig gestritten.

Manche sagen, ja: KI hat das Potenzial, die Kosten im Gesundheitswesen zu reduzieren, indem sie die Effizienz von Diagnose- und Therapieprozessen verbessert, personalisierte Behandlungspläne erstellt und den Ressourceneinsatz optimiert. Aber ob das tatsächlich eintrifft, werden wir wahrscheinlich erst in einigen Jahren wissen.

Menschen machen Fehler, Maschinen aber auch. Wenn beide zusammenarbeiten, besteht Hoffnung, dass mehr Fehldiagnosen verhindert werden können. Der Grund: KI kann Muster und Zusammenhänge in medizinischen Daten identifizieren, die für Menschen schwer zu erkennen sind – und kann das sogar sehr viel schneller als der Mensch. Dennoch braucht es immer noch die Kontrolle des Arztes bzw. der Ärztin, er / sie ist letzten Endes verantwortlich für das, was er / sie dem Patienten verschreibt.

Die Weiterentwicklung von KI-Systemen in der Medizin erfolgt kontinuierlich und hängt von Faktoren wie technologischem Fortschritt, Forschungsergebnissen und dem Austausch von Daten und Wissen ab. Die interdisziplinäre Zusammenarbeit zwischen Wissenschaftlern, Ärzten und Industrie ist entscheidend, um die Entwicklung von KI in der Medizin voranzutreiben.
Wie schnell es aber auf einmal gehen kann, konnte man am Beispiel von ChatGPT sehen: Das Sprachmodell kam wie aus heiterem Himmel und erreichte innerhalb von wenigen Wochen 100 Millionen Nutzer!