Latest / KI-Update – ein heise-Podcast / KI-Update Deep-Dive: Wie CAIMed Diagnosen verbessern will

Transcript

KI-Update Deep-Dive: Wie CAIMed Diagnosen verbessern will · KI-Update – ein heise-Podcast

• 0:02
  Speaker 0: Das KI Update, ein Heise-Podcast mit redaktioneller Unterstützung von The Decoder.
• 0:14
  Speaker 0: Hallo, ich bin Isabel Grünewald und dies ist unser Deep Dive zum Wochenende.
• 0:20
  Speaker 0: Bei allen netten Spielereien, die generative KI uns beschert hat, vom Papst im Designer-Mantel bis hin zu singenden und tanzenden Katzen, ist der Bereich der medizinischen Forschung wohl einer, der massiv von den Fähigkeiten der künstlichen Intelligenz profitiert.
• 0:36
  Speaker 0: Lasst mich das mal in Relation setzen.
• 0:38
  Speaker 0: Die komplette Erbinformation eines Menschen zu entschlüsseln, dauerte beim ersten Mal dreizehn Jahre.
• 0:45
  Speaker 0: Im humanen Genomprojekt arbeiteten um die Jahrtausendwende mehr als ein tausend Wissenschaftlerinnen und Wissenschaftler aus vierzig Ländern zusammen.
• 0:54
  Speaker 0: Heute erkennt KI schnell und präzise genetische Variationen, die mit Krankheiten in Zusammenhang stehen.
• 1:01
  Speaker 0: Sie kann Bilddaten aus der Radiologie, der Dermatologie oder der Pathologie in Sekundenschnelle durchforsten und krankhafte Veränderungen erkennen.
• 1:09
  Speaker 0: Generative KI kann so bei der Diagnose und individuellen Behandlung von Krankheiten die Fachärztinnen und Ärzte unterstützen.
• 1:18
  Speaker 0: Genau da setzt die Arbeit des niedersächsischen KI-Forschungszentrums Keimead an.
• 1:23
  Speaker 0: Johannes Winter ist Geschäftsführer von Keimeth und erklärt uns heute, an welchen Projekten die Forschungsgruppen arbeiten und ob KI ein Gamechanger in der Medizin sein kann.
• 1:36
  Speaker 0: Hallo Johannes, schön, dass du da bist.
• 1:38
  Speaker 1: Ja, vielen Dank, Isabel.
• 1:40
  Speaker 0: Was genau ist denn Keimeth und vor allem, welche Einrichtungen sind daran beteiligt?
• 1:46
  Speaker 1: Kaimät ist das niedersächsische Zentrum für künstliche Intelligenz und kausale Methoden in der Medizin.
• 1:52
  Speaker 1: Wir sind ein recht junges innovatives KI-Forschungszentrum, das sich stark mit KI-Anwendungen in der Medizin befasst.
• 2:02
  Speaker 1: Einzigartig ist eigentlich, dass hier KI-Forschung und medizinische Forschung und Anwendung zusammenkommen.
• 2:08
  Speaker 1: Dabei sind die medizinische Hochschule Hannover, die Universitätsmedizin Göttingen, das Helmholtz-Zentrum für Infektionsforschung und die KI-Forschung aus Niedersachsen.
• 2:18
  Speaker 1: Das ist im Wesentlichen das KI-Forschungszentrum L-III in Hannover, das KI-Zentrum Ziders in Göttingen und noch Kolleginnen und Kollegen aus Braunschweig.
• 2:28
  Speaker 1: Wir alle wollen gemeinsam KI-Methoden entwickeln und auch in die klinische Anwendung bringen.
• 2:35
  Speaker 0: Wir hatten das schon häufiger hier im Thema im KI-Update, dass ja gerade die Medizin wahnsinnig von KI profitiert.
• 2:44
  Speaker 0: Wo liegen denn beim Keimät, das ja, es klingt sehr weit gefächert, die Forschungsschwerpunkte dann?
• 2:50
  Speaker 1: Ja, es ist ein total breites Feld, die Medizin und auch die KI-Forschung natürlich.
• 2:57
  Speaker 1: Deswegen müssen wir uns fokussieren.
• 2:59
  Speaker 1: Wir haben drei medizinische Schwerpunkte.
• 3:00
  Speaker 1: Das sind im Wesentlichen Blockbuster, also die großen Volkskrankheiten, die wir haben und für die wir auch Lösungen brauchen, damit wir alle länger leben und auch gesünder leben.
• 3:11
  Speaker 1: Das ist die Onkologie, also die Krebsforschung.
• 3:14
  Speaker 1: Das ist Herzkreislauf und Lungenmedizin.
• 3:17
  Speaker 1: und als drittes noch ein Bereich, der uns gerade während der Pandemie vor drei, vier Jahren sehr umgetrieben hat, die Infektionsmedizin.
• 3:26
  Speaker 1: Auch da wollen wir helfen, Krankheitsverläufe besser zu verstehen und auch personalisierte Diagnostiken und auch Therapien anzubieten.
• 3:37
  Speaker 0: Jetzt ist ja Forschung ein langer Prozess.
• 3:40
  Speaker 0: Meistens auch ein sehr langer Prozess, bis es ein Produkt gibt, das irgendwie Geld reinbringt.
• 3:45
  Speaker 0: Wie wird Keimit finanziert?
• 3:48
  Speaker 1: Ja, Keimet wird durch das Programm Zukunft Niedersachsen finanziert.
• 3:52
  Speaker 1: Das sind im Wesentlichen das Niedersächsische Forschungsministerium, MWK und die Volkswährungsstiftung, die das Geld hierfür einbringen.
• 4:01
  Speaker 1: Wir haben eine fünf plus fünf Finanzierung.
• 4:03
  Speaker 1: Das heißt, erst mal die ersten fünf Jahre nach einer positiven Evaluierung, von der wir sehr ausgehen, bekommen wir weitere fünf Jahre.
• 4:12
  Speaker 1: Zehn Jahre erscheinen erst mal lang, aber wenn wir auf die Medizin schauen, dann sind die Entwicklungszeiträume, also von der ersten Forschung und ersten Ideen bis zur Zulassung und Erstattung im Markt, unheimlich lange Zeiträume, wir sprechen davon zehn bis fünfzehn Jahre an.
• 4:30
  Speaker 1: In der KI ist es eigentlich umgekehrt, es gibt das sogenannte Moorische Gesetz, das besagt, dass alle In achtzehn bis zwanzig Monate sich die Anzahl der Transistoren auf einem Mikrochip verdoppelt.
• 4:43
  Speaker 1: Wir erleben das ja alle durch Smartphones, die mit jeder Generation schneller werden, aber auch in vielen anderen Bereichen.
• 4:52
  Speaker 1: Das heißt, hier kommen zwei Trends zusammen und das wollen wir aufnehmen.
• 4:56
  Speaker 1: Wir wollen einerseits die Wirkstoffentwicklung, die klinische Entscheidungsunterstützung deutlich beschleunigen.
• 5:02
  Speaker 1: Das geht schneller, als es derzeit erfolgt.
• 5:05
  Speaker 1: Und dafür wollen wir mit Karriere und Feld nehmen, was sich sehr, sehr schnell entwickelt und wir, glaube ich, noch viele Potenziale auch in der Medizin erschließen können.
• 5:15
  Speaker 0: Jetzt, wenn man sich die Seite von Kaymet anguckt, die Internetseite, dann steht da viel von personalisierter Gesundheitsversorgung.
• 5:23
  Speaker 0: Warum ist das gerade in diesen drei Teilbereichen so wichtig?
• 5:27
  Speaker 1: Naja, aktuell gehen wir noch eher mit generischen Behandlungsansätzen vor.
• 5:34
  Speaker 1: Das heißt, wir gehen eher salopp gesagt mit der Schrotflinte vor und hoffen, möglichst viel zu treffen.
• 5:41
  Speaker 1: Personalisierte Medizin ist eher darauf ja angedacht, wirklich die individuellen Patientendaten, die das individuellem zu sehen und maßgeschneiderte Diagnostik anzubieten, aber auch Therapieansätze.
• 5:56
  Speaker 1: Das heißt, das soll am Ende dazu helfen, dass wir besser so gesehen das bekommen, was wir benötigen, um möglichst lange gesund zu bleiben oder so gesehen Krankheiten auch zu überwinden.
• 6:09
  Speaker 0: Das heißt, kann ich mir das so vorstellen, zurzeit ist es ja häufig so, wenn jemand an Krebs erkrankt, dann gibt es eine Standardbehandlung, die erfährt man dann irgendwie eventuell in der Operation und dann Bestrahlung und alle möglichen Behandlungen, dass man da ... Mit Hilfe von KI, Individualisierter darauf reagieren könnte, dass man sagt, nee, die Kombination für die Strahlmeinung oder so wäre nicht so gut.
• 6:33
  Speaker 0: Oder hier ist eine OP gar nicht notwendig.
• 6:35
  Speaker 0: Oder wie muss ich mir das vorstellen?
• 6:38
  Speaker 1: Ja, es geht genau in die Richtung.
• 6:40
  Speaker 1: Also es geht schon mit der Prävention los.
• 6:43
  Speaker 1: Wir befassen uns zum Beispiel mit Gebärmutterhalskrebs, mit Vorsorgeuntersuchung.
• 6:49
  Speaker 1: Das ist eine Standarduntersuchung ab dem zwanzigsten Lebensjahr.
• 6:53
  Speaker 1: Man kennt die Papabstriche für eine genokologische Vorsorgeuntersuchung und dann untersucht man im Labor, ob es dort vielleicht Veränderungen in den Zellen gibt.
• 7:05
  Speaker 1: Künftig, und das tun wir jetzt schon zum Beispiel mit der Universitätsmedizin, mit dem Team von Niels Grabe, kann man auch eine KI-basierte Zytologie machen, also eine Zellanalyse.
• 7:16
  Speaker 1: Man kann Vorsorge... Untersuchungen für den Gebärmutterhalskrebs.
• 7:21
  Speaker 1: Im Grunde versuchen möglich zu digitalisieren, also die Abstriche zu digitalisieren, zu scannen und dann sehr genau mikroskopisch auch untersuchen zu können.
• 7:34
  Speaker 1: Ja, habe ich hier im Grunde Auffälligkeiten, habe ich Anomalien, auffällige Zellen, habe ich vielleicht Krebsannahme, die ich hier in der Befundung sehe.
• 7:46
  Speaker 1: Und dort kann KI schon sehr wirksam eingesetzt werden.
• 7:49
  Speaker 1: Aus zwei Gründen ist das interessant.
• 7:51
  Speaker 1: Einerseits natürlich um ja den Patienten, die Patientin in dem Fall möglichst schonend und frühzeitig zu untersuchen.
• 8:01
  Speaker 1: Also wir ersparen uns vielleicht Biopsynen oder auch weitere invasiven Eingriffe.
• 8:09
  Speaker 1: Aber auf der anderen Seite.
• 8:11
  Speaker 1: können auch die Pathologinnen und Pathologen deutlich schneller vorgehen, indem sie eigentlich nur Auffälligkeiten am Computer angezeigt bekommen und nicht mehr aufwendig jedes Bild, so gesehen, nach diesen Auffälligkeiten ja manuell untersuchen müssen.
• 8:28
  Speaker 0: Ich habe das auch mal von einer Hautärztin gehört, die meint, es gibt halt solche KI-Scans für Hautkrebs und ... Sie guckt sich den Patienten an, dann geht er in den Scan und dann sagt die KI, guck hier noch mal drauf.
• 8:41
  Speaker 0: Und sie bestätigt das dann, ob da ein Verdacht ist oder nicht.
• 8:44
  Speaker 0: Und sie meinte, das ist halt wirklich in den meisten Fällen sehr korrekt.
• 8:50
  Speaker 0: ist ja auch wichtig, dass es sehr korrekt gibt, weil diese falsch positive, die machen Leute ja fertig.
• 8:57
  Speaker 0: Also das wäre ja ganz schrecklich, wenn man irgendwie wochenmonatelang mit so einer Hyopsbotschaft quasi lebt oder gar behandelt wird und am Ende stellt sich heraus, es war gar nichts.
• 9:08
  Speaker 0: Wie kann man denn dem entgegenwirken?
• 9:10
  Speaker 0: Wie ist denn da der Ablauf für die Ärztinnen und Ärzte?
• 9:14
  Speaker 1: Na ja, gut, erstmal muss man sagen, klar, natürlich bildgebende Verfahren sind ein wunderbares Feld für KI.
• 9:20
  Speaker 1: Also muss dazu erkennen, in großen Datensätzen und dazu zählen radiologische Bilder eben aber auch in der Dermatologie eine Hautkrebserkennung.
• 9:29
  Speaker 1: Das ist erstmal toll, weil du im Grunde auch falsch positive Ergebnisse erwähnt hattest.
• 9:35
  Speaker 1: Das ist so gesehen ein bisschen der Showstopper oder das Wasser im Wein.
• 9:41
  Speaker 1: Wir müssen natürlich auch sehen, dass durch diese KI-basierten Analysen auch zu falsch positiven Ergebnissen kommt.
• 9:51
  Speaker 1: Das kann auch erst mal die Produktivität der Ärztin des Arztes senken, weil ich mir mehr Bilder anschaue, wo ich im Grunde einen unklaren Verdachtsfall habe.
• 10:02
  Speaker 1: Erprobte der Matologin oder ein erprobter Radiologe würde das so gesehen schnell übergehen.
• 10:08
  Speaker 1: Das heißt, möglicherweise sehen wir auch zu viel oder mehr als wir wollen.
• 10:13
  Speaker 1: Aber natürlich haben wir auf der anderen Seite das Versprechen oder die Aussicht darauf, dass diese Systeme besser werden und wir künftig die Anzahl der falsch positiven Ergebnisse reduzieren können.
• 10:26
  Speaker 0: Und bei solchen zythologischen Untersuchungen sind das dann auch die Bilder, die weitergegeben und von der KI analysiert werden.
• 10:32
  Speaker 0: oder wie genau läuft
• 10:33
  Speaker 1: das ab?
• 10:34
  Speaker 1: Also in dem Fall geht es darum, diese Abstriche zu digitalisieren im ersten Schritt, also eine digitale Pathologie aufzubauen und dann entlang von diesen digitalen Bildern automatisiert Anomalien zu erkennen.
• 10:48
  Speaker 1: Also Unregelmäßigkeiten, Auffälligkeiten ist dort im Grunde vielleicht eine auffällige Zelle, die ich mir stärker anschauen müsste.
• 10:59
  Speaker 1: Dann, so gesehen, kann ich als klinische Entscheidungsunterstützung der Pathologe den Pathologen Hinweise geben und der schaut sich das am Rechner an, aber er schaut sich halt nur zehn hoch auflösende Bilder der Anomalie an, wo er rein suchen kann und so gesehen eine Bewertung abgeben kann, ja oder nein, verwerfen und damit ist er deutlich schneller.
• 11:24
  Speaker 1: Der Fortschritt hier ist vor allem, so gesehen, Zeitersparnis und nur das Primär zu sehen, was man sehen sollte.
• 11:32
  Speaker 1: Und für die Patientinnen ist es der Vorteil, ich muss nicht so viele Eingriffe vornehmen bei unklaren Situationen, sondern ich kann am Rechner eigentlich schon KI unterstützt, vieles ausschließen oder gezielter halt weitere Therapie dann initiieren.
• 11:51
  Speaker 0: Und kommen dafür vortrainierte Modelle zum Einsatz?
• 11:55
  Speaker 0: oder werden die bei Keimed quasi von Grund auf neu trainiert mit Daten?
• 12:01
  Speaker 1: Also, beides ist die Antwort.
• 12:03
  Speaker 1: Wir machen ja KI Forschung.
• 12:06
  Speaker 1: Natürlich ist das Ziel, from bench to bedside, also wirklich auch in die klinische Anwendung zu kommen.
• 12:12
  Speaker 1: Aber es geht auch vieles noch darum.
• 12:15
  Speaker 1: Modelle zu verfeinern, zu optimieren und wirklich aus den Ergebnissen zu lernen und somit einen Beitrag dann zur Verbesserung der medizinischen Anwendung zu leisten.
• 12:26
  Speaker 1: Vortrainierte Modelle, natürlich kommen große Sprachmodelle bei uns zum Einsatz und sie haben einfach den Vorteil, dass sie schon aufwendig trainiert wurden.
• 12:38
  Speaker 1: Aber wir nutzen natürlich auch eigene Modelle.
• 12:42
  Speaker 1: Ein Beispiel ist für die nur so vomiale Sepsis, ein Vorhersagemodell für die Entwicklung von Sepsis, dass sich Kinder auf der Intensivstation oder in der Klinik zugezogen haben, frühzeitiger zu erkennen, um damit auch die Überlebenswahrscheinlichkeit oder die Gesundheit des Kindes zu erhöhen und auch klinisches Personal zu entlasten.
• 13:03
  Speaker 1: Das ist ein super interessantes Feld.
• 13:06
  Speaker 0: Ja, kann ich mir vorstellen.
• 13:08
  Speaker 0: Und woher kommen die Daten, wenn man dann selber trainiert?
• 13:12
  Speaker 0: Das müssen ja also bestimmt aufbearbeiteter Daten sein und eben möglichst vielfältige Daten, damit nicht irgendwie dieser klassische Bayes entsteht.
• 13:23
  Speaker 1: Ja, das ist ein extrem wichtiger Punkt.
• 13:24
  Speaker 1: Also die Daten, wenn man bei dem Beispiel Vorhersagemodell für eine Selbstsystem an sich in der Klinik zugezogen hat, Vorhersagemodell zu entwickeln, dass ich frühzeitig so gesehen über die Selbstis informiert werde.
• 13:39
  Speaker 1: Da gab es schon über längere Zeiträume in einem großen Projekt.
• 13:43
  Speaker 1: Elise, Vorgängerforschung an der Medizinischen Hochschule Nanofa mit weiteren Kliniken zusammen.
• 13:49
  Speaker 1: Das heißt, dort wurden viele ICU, also intensivmedizinische Datensätze ausgewertet und so gesehen eine Datengrundlage geschaffen, um auch Vorhersagemodelle zu trainieren.
• 14:03
  Speaker 1: Am Ende, was sind das für Daten?
• 14:04
  Speaker 1: Das sind rund seventy-fünf Features, die in so ein Training einbezogen werden.
• 14:11
  Speaker 1: Das sind zum Beispiel Vitaldaten, Beatmungsdaten, Blutwerte, Labordaten, können auch Arztbriefe und andere Datensätze sein, die in so ein Training einfließen.
• 14:23
  Speaker 1: Und das Ziel ist, zu sagen, etwa sechs bis zwölf Stunden, bevor die Selbstes ausbricht, kann ich schon darauf reagieren.
• 14:33
  Speaker 1: Und das ist unheimlich wichtig aus einem Grund.
• 14:37
  Speaker 1: Je später man die Selbstes erkennt und gerade bei Kindern ist im Gegensatz zu Erwachsenen fällt der Zustand, der Gesundheitszustand sehr schnell deutlich ab.
• 14:49
  Speaker 1: Je früher ich behandeln kann, desto besser ist es natürlich für das Kind, aber desto weniger auch klinisches Personal brauche ich auf einer Intensivstation, wo es immer viel los ist und ich jede Hand brauche, desto weniger Ja, Pflege und Erziespersonal brauche ich um das Bett herum.
• 15:08
  Speaker 1: Das kann sich wieder um andere Fälle kümmern.
• 15:10
  Speaker 1: Also Verbesserung im klinischen Prozessen und Verbesserung der Gesundheit des Kindes.
• 15:17
  Speaker 1: Das sind diese zwei wesentlichen Aspekte.
• 15:19
  Speaker 0: Ich glaube, wir müssen einmal kurz den Begriff Selbstes erklären.
• 15:22
  Speaker 0: Ich habe jetzt die ganze Zeit das so im Hinterkopf gehabt und dachte, ja, grob weiß ich, was das ist.
• 15:26
  Speaker 0: Aber einmal kurz erklären, was ist eine Selbstes und wie bekommt man die im Krankenhaus?
• 15:31
  Speaker 1: Ja, eine nurso kommunale Selbstes ist eine Blutvergiftung würde man sagen, die man sich in der Klinik zuzieht.
• 15:38
  Speaker 1: Das kann über eine Infusion oder über eine Entzündung sein, eine offene Wunde.
• 15:44
  Speaker 1: Es gibt unterschiedliche Herde oder Eintrittsforten dafür.
• 15:49
  Speaker 1: Und das ist ein schwerwiegendes Thema, etwa zehn Prozent.
• 15:55
  Speaker 1: können der Erkrankten auch daran sterben, etwa sieben bis acht Prozent der Kinder auf einer Intensivstation infizieren, sich mit so einer Sepsis.
• 16:06
  Speaker 1: Das heißt, das ist schon ein ernstzunehmendes Problem.
• 16:09
  Speaker 0: Jetzt haben wir in Deutschland gerade unsere schöne digitale elektronische Patientenakte verabschiedet mit Ach und Krach.
• 16:18
  Speaker 0: Ich höre von Seiten der Forschung so die Hoffnung, dass die Daten möglichst bald, möglichst vielfältig zur Verfügung gestellt werden.
• 16:26
  Speaker 0: Es gibt ja auch diese europäische Idee des gemeinsamen Forschungsraumes.
• 16:31
  Speaker 0: Aber so ganz funktioniert das ja in Deutschland noch nicht.
• 16:35
  Speaker 0: In anderen Ländern, die sind ja schon weiter fortgeschritten, können die Deutschen Forschungsinstitute, gibt es genug Daten, vielleicht auch außerhalb der Kliniken, um solche Systeme wirklich gut und umfangreich zu trainieren?
• 16:51
  Speaker 1: Ich glaube schon.
• 16:53
  Speaker 1: Wir haben hier durchaus einen Vorteil in Deutschland, dass wir einen guten Zugriff auf Versorgungsdaten, auf Patientendaten, aber auch auf Forschungsdaten haben.
• 17:04
  Speaker 1: Einen generellen Zugang.
• 17:06
  Speaker 1: Das heißt, im Detail natürlich reden wir darüber, dass es immer noch zu lange dauert, um einen Datensatz zu bekommen.
• 17:15
  Speaker 1: Insgesamt haben wir erst mal viele domenenspezifische Daten, die man nicht so einfach im Internet findet oder wo wir sagen müssen, da ist Europa abgehängt oder Deutschland abgehängt.
• 17:25
  Speaker 1: Das heißt, wir haben in den letzten Jahren über die Medizininformatikinitiative, über die nationale Forschungsdateninfrastruktur für Gesundheit vielfältige Daten aufgebaut.
• 17:38
  Speaker 1: Das sind epidemiologische Daten, also die Aufschuß darüber geben, wie sich Krankheiten entwickeln.
• 17:46
  Speaker 1: Das sind öffentliche Gesundheitsdaten, das sind Daten aus der klinischen Forschung.
• 17:51
  Speaker 1: Das heißt, es ist eigentlich ein wunderbares Feld, um KI-basierte Forschung in der Medizin zu machen.
• 17:57
  Speaker 1: Wir haben genügend Daten, das ist die gute Nachricht.
• 18:00
  Speaker 1: Die Herausforderung liegt dann natürlich in der einerseits regulatorischen Umsetzung.
• 18:07
  Speaker 1: Wir haben die elektronische Patientenakte schon seit mehr als zwei Dekaten in der Einführung.
• 18:15
  Speaker 1: Jetzt ist es soweit, dass jeder so gesehen Zugriff auf seine Daten haben müsste über die App.
• 18:21
  Speaker 1: Das funktioniert noch nicht alles so reibungslos, aber ich würde davor warnen, dass wir jetzt so gesehen das Kinder gleich schon mit dem Bade ausschütten und schon mehr Sorgen streuen als Hoffnung.
• 18:36
  Speaker 1: Am Ende ist es die Frage, wie schaffen wir eine Balance zwischen Datenschutz und Datenschatz?
• 18:41
  Speaker 1: Und hier haben wir einen unheimlichen Datenschatz, den sollten wir jetzt wirklich auch nutzen und auch öffnen für die KI.
• 18:47
  Speaker 1: Forschung, aber natürlich auch für die Anwendung und die Verbesserung jeder einzelnen Diagnose oder auch Therapiestrategie.
• 18:58
  Speaker 0: Jetzt ist ja gerade im medizinischen Kontext wichtig, dass KI-Systeme nachvollziehbar und robust sich verhalten.
• 19:06
  Speaker 0: Das mit der Nachvollziehbarkeit ist für den Lein häufig, also man muss ja nur ChatGPT zwar mal dieselbe Frage stellen, man bekommt unterschiedliche Antworten.
• 19:16
  Speaker 0: schwer nachvollziehbar, wie das System überhaupt zu diesem Ergebnis gekommen ist oder zu dieser Antwort gekommen ist.
• 19:23
  Speaker 0: Wie kann man das sicherstellen, dass im medizinischen Bereich solche Erfahrungen, die wir mit Chatbots machen, nicht passieren, sondern dass sie wirklich immer gleich und richtig und zuverlässig arbeiten?
• 19:34
  Speaker 1: Ja, es gibt unterschiedliche Ansätze.
• 19:36
  Speaker 1: Zunächst mal muss man sagen, es ist halt doch rastig.
• 19:38
  Speaker 1: Es ist Wahrscheinlichkeitsrechnung.
• 19:40
  Speaker 1: Am Ende ist es das nächste wahrscheinliche Wort, was uns JGPT ausspuckt.
• 19:45
  Speaker 1: Wir versuchen, einen Hybriden-KI-Ansatz zu fahren.
• 19:49
  Speaker 1: Das heißt, sowohl die klassischen maschinellen Datangetriebenen Ansätze zu wählen, wie das ein Transformer-Modell wie ChecheBT tut, mit eher, man würde sagen, neurosymbolischen oder auch sementischen Technologien einzusetzen.
• 20:05
  Speaker 1: Das sind zum Beispiel Wissensdatenbanken.
• 20:08
  Speaker 1: Also abgesichertes Wissen, von dem wir wissen, das ist robust, das ist nachvollziehbar, das ist verständig und das ist vor allem auch einigermaßen wahrhaftig.
• 20:17
  Speaker 1: Das heißt, wie können wir die Vorteile beider Welten verbinden?
• 20:21
  Speaker 1: Und einen Ansatz sind RECs, das sind Retrieval of Mental Generation Ansätze.
• 20:28
  Speaker 1: Das heißt, da versucht man so einen Sprachmodell, einen Transformer-Modell zum Beispiel, mit anderen Datenbanken, Ontologien zu verbinden.
• 20:36
  Speaker 1: Und das wären zum Beispiel Kanten aus Informationssysteme oder Klinikregister oder Routine-Daten, die wir in diesen Datenintegrationszentren, die jedes Universitätsklinikum hat.
• 20:49
  Speaker 1: Medics, also die wir ja vorhanden sind.
• 20:52
  Speaker 1: Auch Forschungsdaten, hat ich erwähnt, aus der Medizin Informatikinitiative, aus vielen anderen Forschungsprojekten.
• 20:59
  Speaker 1: Auch dort gibt es ja umfängliche Daten, von denen wir sagen, die sind robust, die sind valide, die sind nachvollziehbar, die sind erklärbar.
• 21:09
  Speaker 1: Und darauf kommt es, glaube ich, an, beide Welten miteinander zu kombinieren.
• 21:16
  Speaker 1: Und dann bin ich zuversichtlich, dass wir zu Ergebnissen kommen, die für uns nicht nur plausibel klingen, sondern auch am Ende einer Validierung und einer Nachvollziehbarkeit standhalten.
• 21:30
  Speaker 0: Jetzt stelle ich mir das relativ schwierig vor.
• 21:32
  Speaker 0: Als Ärztin habe ich Medizin studiert und bin in dem Bereich gut.
• 21:37
  Speaker 0: Aber ich habe nicht unbedingt Prompten gelernt.
• 21:39
  Speaker 0: Von daher müssen ja dieses Thema auch so aufgebaut sein, dass ich sie als Ärzte benutzen könnte.
• 21:45
  Speaker 0: ohne jetzt noch extra bestimmte Bedienungsmechanismen zu lernen.
• 21:51
  Speaker 0: Ist das ein Vorteil der generativen KI, wenn man da auch so ein großes Sprachmodell mit drin hat, dass es auch leichter wird, im Klinikalltag umzusetzen?
• 22:00
  Speaker 1: Ja und nein.
• 22:02
  Speaker 1: Ja, weil ... mit diesem iPhone Moment, JGPT und Co.
• 22:07
  Speaker 1: eine Demokratisierung der KI stattgefunden hat.
• 22:10
  Speaker 1: Wie du schon gesagt hast, jeder kann das nutzen.
• 22:12
  Speaker 1: Es ist total einfacher zu bedienen, selbst wenn nicht perfekt.
• 22:16
  Speaker 1: Prompte, kriege ich Fragen vorgeschlagen, wonach ich noch mal suchen sollte oder ob es wirklich das war, wonach ich gesucht hatte.
• 22:24
  Speaker 1: Das heißt, erst mal ist das ein wunderbarer Ansatz mit No-Code oder Low-Code ansetzen und einfachen Benutzeroberflächen, so gesehen Menschen, in eine Interaktion zu bringen zwischen Mensch und Maschine.
• 22:36
  Speaker 1: Denn das ist ja ein weiterer Aspekt.
• 22:39
  Speaker 1: Es ist nicht mehr ein... Wikipedia oder einen Google Suche, wo ich zehn Treffer bekomme und hoffe, die zehn sind jetzt die richtigen und die besten.
• 22:48
  Speaker 1: Und da muss ich mich durch Websites graben und finde vielleicht irgendwo das, was ich haben will.
• 22:54
  Speaker 1: Weil es findet ja auch eine Individualisierung Lernstadt oder der Wissensaufnahme.
• 23:01
  Speaker 1: Also du sagtest die Ärztin oder der Arzt.
• 23:04
  Speaker 1: Die können ja sehr spezifisch jetzt nachfragen und müssen so gesehen nicht nur das aufnehmen, was die Maschine vielleicht vorhin eine Website ausgespuckt hat.
• 23:16
  Speaker 1: Die andere Seite ist das Thema, ich nenn es mal Aufklärung, zwei Null oder der Erhalt auch der Beurteilungskompetenz des kritischen Denkens, des Hinterfragens, des skeptisch Bleibens.
• 23:29
  Speaker 1: Ist denn das wirklich so, wie mir diese smarte Maschine vor?
• 23:33
  Speaker 1: gibt, denn die Services und Tools, KI-basierten, die sind natürlich darauf aus, uns auch ein Stück weit zu schmeicheln oder angenehm in der Handhabung zu sein.
• 23:46
  Speaker 1: Wir sollen natürlich dabei bleiben und nicht entnervt so gesehen offline gehen.
• 23:52
  Speaker 1: Aber das enthält Tücken, denn dadurch lasse ich mich vielleicht in Anführungsstrichen einlohlen.
• 23:58
  Speaker 1: Das heißt, ich muss wirklich darauf achten, diese K.I.
• 24:02
  Speaker 1: Kompetenzentwicklung ernst zu nehmen.
• 24:04
  Speaker 1: Und da, glaube ich, stehen wir noch am Anfang.
• 24:07
  Speaker 0: Ja, man hört das ja immer wieder, dass also zum einen K.I.
• 24:09
  Speaker 0: diese quasi Einstiegshürden wegnimmt, dass was Nachwuchskräfte eigentlich lernen müssten, sagt ihnen jetzt einfach die K.I.
• 24:18
  Speaker 0: und dann fehlt die Erfahrung, sowas zu lernen.
• 24:21
  Speaker 0: Und das könnte ich mir auch in der Diagnostik schwierig vorstellen, dass wenn man sich zu sehr auf die K.I.
• 24:26
  Speaker 0: verlässt, um eine Diagnose zu stellen.
• 24:28
  Speaker 0: dass man den Blick dafür verliert, das selber zu erkennen.
• 24:31
  Speaker 0: Die Krankheit, die man diagnostizieren sollte.
• 24:34
  Speaker 1: Ja, total.
• 24:35
  Speaker 1: Wir sind ein ganz großes Risiko auch, dass wir alle zu Anspruchs loswerden oder dass wir in dem Lernen, gerade junge Ärztinnen und Ärzte oder auch Pflegepersonal in der Ausbildung, die sicherlich zunehmend auch KI unterstützt wird, was erst mal sinnvoll ist.
• 24:56
  Speaker 1: aber wir so gesehen gar nicht mehr hinterfragen oder dieses tiefe Verständnis entwickelt haben, um auch bewerten zu können.
• 25:05
  Speaker 1: Es findet ja gerade schon die Skillingsstaat, also in dem Sinne, dass Junior-Positionen häufig automatisiert werden, beispielsweise in Kanzleien oder in Steuerbüros.
• 25:22
  Speaker 1: Weshalb, weil die Maschinen natürlich große Gesetzestexte oder Steuerdaten sehr schön für mich aufbereiten und nach bestimmten Themen durchforsten können.
• 25:32
  Speaker 1: So kann man sich das auch in der Medizin vorstellen, dass ich dieses Büffeln bis zum Physikum mir ein bisschen erleichtere, indem ich hier und da auch natürlich KI einsetze.
• 25:45
  Speaker 1: Also es ist wichtig, dass wir dieses Wissen erhalten, nur dann können wir auch die Maschine ernsthaft beurteilen und bewerten, ob die Ergebnisse, die sie uns anbietet, auch wirklich valide und sinnvoll sind.
• 25:59
  Speaker 0: Kommen wir nochmal zurück zu Keimet.
• 26:01
  Speaker 0: Sind denn Sachen, die die Forschungsteams bei euch entwickelt haben, schon im Alltag angekommen in den Kliniken und habt ihr da schon Feedback von den Ärztinnen und Ärzten bekommen, die das benutzen?
• 26:14
  Speaker 1: Also wir sind seit anderthalb Jahren jetzt unterwegs, das heißt unsere Entwicklungen sind noch nicht in der Anwendung.
• 26:21
  Speaker 1: Aber Das ist, glaube ich, das Unterscheidungsmerkmal von KMED hier in Deutschland und auch in Teilen von Europa.
• 26:29
  Speaker 1: Wir sind ein Zentrum, das von Beginn an beide Welten zusammenbringt in sogenannten Use-Cases.
• 26:36
  Speaker 1: Also wir arbeiten an Anwendungsfällen, wo immer Oberärzten, KI-Forschende, Biomediziner, Ethikerinnen und andere Kollegen zusammen an diesem Use-Case arbeiten.
• 26:50
  Speaker 1: Wir haben gerade über das Vorhersagemodell für Selbstes gesprochen.
• 26:53
  Speaker 1: Es gibt aber auch eine Gruppe, die sich mit Korrelation und Kausalität befasst und so gesehen den Weg Richtung Trustworthiness in der KI Anwendung in der Medizin in den Fokus nimmt.
• 27:06
  Speaker 1: Also wie kann ich so gesehen Vertrauen und Erklärbarkeit auch in klinische Entscheidungsunterstützungssysteme bringen?
• 27:14
  Speaker 1: Also entscheidend ist, dass wir zusammen an diesen Lösungen arbeiten, dann haben wir nicht den Strömungsabriss am Ende, dass wir eine wunderbare KI-basierte Lösung entwickelt haben, aber merken, das geht ganz klar an dem Bedarf auf der Station oder in einem Wirkstoffentwicklungsprojekt vorbei.
• 27:34
  Speaker 1: Das heißt, von Beginn an müssen beide Welten zusammenarbeiten, dann kommen wir auch zu guten Lösungen, die in der klinischen Praxis Anwendung finden.
• 27:42
  Speaker 0: Gibt es vergleichbare Projekte anderswo in Europa oder ist das schon recht einzigartig, was wir hier in Hannover oder in Niedersachsen aufbauen?
• 27:50
  Speaker 1: Das ist für Deutschland einzigartig.
• 27:52
  Speaker 1: In der Vorentwicklung haben wir ein bisschen Benchmarking gemacht.
• 27:57
  Speaker 1: Es gibt ein großes Zentrum, was die Böhringer Stiftung in Wien unterstützt.
• 28:02
  Speaker 1: Es gibt auch in Kanada, USA vergleichbare Entwicklungen.
• 28:06
  Speaker 1: Aber für Deutschland ist das schon einzigartig und ich glaube, es ist auch der richtige Weg, zu sagen, Wir tun das zusammen.
• 28:14
  Speaker 1: Die Alternative wäre ja, dass KI-Forschende mit Patientendaten rumhandieren oder die Radiologen jetzt das letzte fancy KI-Tool in der Krebsdiagnostik einsetzt, aber im Detail nicht Expertinnen und Experte ist.
• 28:31
  Speaker 1: Und hier wollen wir genau diesen Weg des verschränkten Forschens und der Entwicklungs- und auch Anwendens am Ende gehen.
• 28:41
  Speaker 0: Ja.
• 28:41
  Speaker 0: Also ich kann mir schon vorstellen, dass das auch für die Patienten, die dann quasi damit diagnostiziert werden, ein gewisser Vertrauensbonus ist, dass man weiß, wer daran gearbeitet hat und dass da Fachleute aus allen Gebieten damit teiligt waren und eben nicht nur so eine Scheuklappengruppe, die ihr Ding gemacht hat.
• 29:02
  Speaker 0: Also ich würde mich, glaube ich, sehr wohl für mit dem Gedanken, dass da Leute dabei waren, die das aus dem Alltag tatsächlich auch kennen und nutzen würden.
• 29:10
  Speaker 0: Gibt es denn bestimmte medizinische Teilgebiete, die ganz besonders profitieren, weil es gerade schon die, am Anfang die bildgebenden Verfahren, das sind ja sehr viele in der Medizin angesprochen, gibt es bestimmte Teilgebiete, die extrem von KI jetzt profitieren können und andere, wo man sagt, das wird noch sehr lange, sehr menschliche Arbeit sein?
• 29:33
  Speaker 1: Ja, es gibt definitiv Bereiche, in denen KI in der Klinik schon sehr intensiv genutzt.
• 29:40
  Speaker 1: Das ist die Radiologie, über die haben wir gesprochen.
• 29:43
  Speaker 1: Also die automatisierte Erkennung, Klassifikation und Segmentierung, gerade von Lesionen in CT-Bildern.
• 29:50
  Speaker 1: Die digitale Pathologie ist ein aufstrebendes Feld, wo tolle Arbeit in Göttingen und Hannover gemacht wird.
• 29:57
  Speaker 1: Auch die... Onkologie ist sicher ein Thema, weil ich da die Möglichkeit habe, Bilddaten, molekulare Profile, aber auch andere klinische Informationen zusammenzubringen, die ich dann wieder für die Risikostratifizierung oder auch für die Therapieauswahl brauche.
• 30:15
  Speaker 1: Also das ist der Schritt in Richtung ein gesamtheitlicheres Bild von der Patientin, vom Patienten zu bekommen und auch, so gesehen, die Therapie dann zu personalisieren und auch zu optimieren.
• 30:28
  Speaker 1: Ein Feld, über das wir noch nicht so viel gesprochen haben, ist die Infektionsforschung.
• 30:33
  Speaker 1: Wir haben alle während der Corona-Abademie wahrnehmen können, wie viel Forschung in diesem Feld auch passiert ist, von der wir in der Vergangenheit profitiert haben.
• 30:44
  Speaker 1: Die großen Hersteller von Vaccinen haben primär eigentlich die Erkenntnis aus der Krebsforschung gezogen, aber sie sehr schnell auch anwenden können für die Entwicklung eines Corona-Impfstoffs.
• 30:59
  Speaker 1: Und hier haben wir in Niedersachsen das größte Forschungs, den größten Forschungsklaster zu Longcovid und KI.
• 31:10
  Speaker 1: Insgesamt sieben Projekte am Helmholtz-Zentrum für Infektionsforschung an der Universität Hannover und der medizinischen Hochschule und der Universitätsmedizin Götting, die sich damit befassen, KI einzusetzen, um einerseits Long Covid besser zu verstehen.
• 31:28
  Speaker 1: Es sind rund fünfhunderttausend Menschen, die in Deutschland unter Long Covid leiden.
• 31:34
  Speaker 1: Und das Problem ist, es ist häufig kaum wirklich zu diagnostizieren.
• 31:40
  Speaker 1: Die Menschen sind häufig sehr frustriert und niedergeschlagen, weil sie eigentlich die Hilfe nicht bekommen können.
• 31:47
  Speaker 1: beim Hausarzt in der Klinik kann man nicht wirklich so gesehen nachvollziehen, weshalb jemand sehr erschöpft ist oder unter Migräne leidet oder unter Stimmung schwanken oder unter Depression.
• 32:04
  Speaker 1: Wir wissen nur, es ist eine Infektion, die oder eine Infektion war hier Auslöser, dafür, dass Long Covid sich entwickelt.
• 32:15
  Speaker 1: Und wir wissen auch, dass es zum Beispiel häufiger Frauen als Männer betrifft.
• 32:21
  Speaker 1: Und hier wollen wir mit der Forschung dazu beitragen, einerseits die Krankheit besser zu verstehen, aber auch federated Learning einzusetzen, also förderiertes Lernen, um dezentral in Deutschland verteiltes Wissen über Long Covid zusammenzubringen und dann auch für die Vorhersage von Krankheitsverläufen, für individualisierte Therapien.
• 32:44
  Speaker 1: oder auch durch eine bessere Betreuung der Betroffenen einen Beitrag zu leisten.
• 32:50
  Speaker 0: Das ist ja sehr spannend und sehr hoffnungsstimmend.
• 32:56
  Speaker 0: Denn KI kann ja gerade in solchen, also ich habe das auch gehört von Fällen, wo es sehr seltene Krankheiten sind, dass aufgrund der guten Mustererkennung KI sowas vielleicht eher aus den gesamten Diagnose-Daten die teilweise sehr diffus sind, wie eben auch bei Long Covid, herauslesen kann, ah, das könnte diese seltene Krankheit sein, die vielleicht der Hausarzt oder die Behandelärzte gar nicht auf dem Schirm so hatte.
• 33:21
  Speaker 0: Das wäre ja ganz toll, wenn solche Krankheiten in Zukunft besser überhaupt diagnostiziert werden können und dann behandelt werden können.
• 33:27
  Speaker 1: Ja, also inwieweit KI, die ... So gesehen, der Game Changer ist, das kann ich noch nicht sagen, KI-Modelle haben auch nicht die Pandemie vorhergesagt.
• 33:39
  Speaker 1: Also wir müssen immer natürlich sehen, dass es am Ende ein Unterstützungssystem, ein digitaler Assistenz sein kann für Expertinnen und Experten, die sich mit dem Thema sehr, sehr gut auskennen und lange befasst haben.
• 33:56
  Speaker 1: Aber natürlich die Modelle können dazu beitragen, Immunveränderungen vielleicht zu identifizieren.
• 34:04
  Speaker 1: Vielleicht gibt es spezifische, dauerhafte Entzündungsmarker oder auch homonelle Disregulationen, die man mit Long Covid assoziieren kann.
• 34:15
  Speaker 1: Das heißt, hier können wir die Nadel im Räuferhaufen hoffentlich finden, die einfach ein menschliches Auge oder eine menschliche Diagnostik so aufwendig für den Einzelnen gar nicht leisten könnte.
• 34:29
  Speaker 0: Das ist doch ein schöner, positiver Ausblick in die Zukunft, was KI alles verbessern kann in der Medizin.
• 34:35
  Speaker 0: Vielen Dank, dass du heute bei uns warst und viel Erfolg für die Projekte.
• 34:39
  Speaker 0: Ich bin sehr gespannt, wenn die etwas weiter fortgeschritten sind.
• 34:43
  Speaker 0: dass wir dann vielleicht nochmal drüber sprechen können, welche Projekte in die Anwendung kommen.
• 34:47
  Speaker 1: Ja, herzlichen Dank, Isabel.
• 34:48
  Speaker 1: Hat viel Spaß gemacht und auf jeden Fall sollten wir dran bleiben und wir hören uns wieder dazu.
• 34:54
  Speaker 0: Das war's für heute.
• 34:55
  Speaker 0: Den nächsten Diebteil hört ihr an dieser Stelle in zwei Wochen.
• 34:58
  Speaker 0: Es würde mich freuen, wenn ihr dann wieder dabei seid.
• 35:01
  Speaker 0: Bis dahin könnt ihr natürlich mit unserem kompakten KI-Update jeden Montag, Mittwoch und Freitag auf dem Laufenden bleiben.
• 35:08
  Speaker 0: Und falls ihr einen Diebteil verpasst habt, findet ihr eine Sammlung aller Folgen
• 35:12
  Speaker 1: auf
• 35:12
  Speaker 0: heise.de.
• 35:13
  Speaker 0: slash thema slash
• 35:15
  Speaker 1: ki
• 35:15
  Speaker 0: minus update.
• 35:17
  Speaker 0: Den Link findet ihr natürlich auch in den Shownotes.