Grundlagen erlernen: Die Ähnlichkeiten zwischen künstlicher Intelligenz und Kleinkindern

Die Entscheidungsfindung im Gesundheitswesen wird mehr und mehr durch künstliche Intelligenz (KI) beeinflusst. Von der Verbesserung der Genauigkeit und Qualität der klinischen Dokumentation bis hin zur Unterstützung der Radiologen bei der Feststellung von Anomalien, um diese vorrangig behandeln zu können: dank künstlicher Intelligenz können Ärzte sich stärker auf eine effiziente Patientenversorgung konzentrieren.
Von

Heutzutage könnte die Anwendung von KI und maschinellem Lernen im Gesundheitswesen dank des Einflusses von tiefen neuronalen Netzen (Deep Neural Networks, DNN) endlich einen entscheidenden Wendepunkt erreicht haben.  Aber was sind eigentlich neuronale Netze? Das kann man ganz einfach verstehen, wenn man daran denkt, wie Kinder lernen.

Ich habe meinem zweijährigen Kind Wissen über Tiere vermittelt, indem ich auf verschiedene Tiere in einem Buch gezeigt habe. Mir fiel sofort auf, dass viele Tiere ähnliche grundlegende Elemente aufweisen. Trotzdem sind kleine Kinder in der Lage, zu lernen, die Tiere auseinanderzuhalten. Vier Beine und ein Schwanz — dabei könnte es sich fast um jedes auf dem Land lebendes Tier handeln. Aber eins der Tiere hat einen sehr langen Hals, während das andere einen Rüssel hat. Diese Unterscheidungsmerkmale helfen unserem Gehirn, die Informationen zu analysieren und zur richtigen Schlussfolgerung zu gelangen:  eine Giraffe im Gegensatz zu einem Elefanten.

Neuronale Netze sind darauf ausgerichtet, auf beinahe dieselbe Art und Weise wie das menschliche Gehirn zu arbeiten. Eine Reihe an simplen algorithmischen Knotenpunkten, wie die Neuronen im Gehirn, analysieren Informationsbruchstücke. Anschließend werden Verbindungen hergestellt, durch die komplexe Datenpuzzle zusammengestellt werden, um zu einer Lösung zu gelangen. Mit „tief“ sind die verschiedenen Schichten gemeint, aus denen sich tiefe neuronale Netze zusammensetzen. Die Zwischenschichten (oder „verborgenen Schichten“) sind auf die Identifizierung von elementaren Teilen (oder „Charakteristika“ ausgerichtet. Anschließend leiten sie das Gelernte an die tieferen Schichten des Netzes weiter, um ein vollständigeres Verständnis für den Input zu entwickeln und einen gültigen Output zu erstellen.

Genau wie bei meinem zweijährigen Kind und allen anderen Menschen besitzt das Netz nicht von Beginn an ein spezifisches Wissen. Es muss trainiert werden, um beispielsweise zu verstehen, was der Unterschied zwischen einer Giraffe und einem Elefanten ist, indem festgestellt wird, dass eines der Tiere einen langen Hals hat und das andere einen kurzen. Indem große Datenmengen mit bekannten Lösungen in das Netz eingespeist werden, „lehren“ wir das Netzwerk, verschiedene Inputs zu interpretieren und zu verstehen. Dies wird auch als „maschinelles Lernen“ bezeichnet. Um ein tiefes neuronales Netz für medizinische Transkription zu trainieren, müssen Milliarden Zeilen gesprochenen Textes und der entsprechende textuelle Output eingepflegt werden, um gesprochene Wörter richtig mit dem entsprechenden Text zu verbinden. Indem das tiefe neuronale Netz mehr Input erhält, werden diese eingepflegten Fakten mit der Zeit erweitert und seine Fähigkeit, eine richtige Lösung zu bieten, wird zuverlässiger. Wenn das Netz falsch liegt, muss es korrigiert werden, um seinen Kenntnisstand zu erweitern. Genau wie ein Kleinkind lernt, Farben, Umrisse und Tiere zu erkennen, ist das tiefe neuronale Netz innerhalb kurzer Zeit in der Lage, die richtige Lösung zu bieten.

Wie verändern tiefe neuronale Netze also das Gesundheitswesen? Zwei von vielen potenziellen Anwendungsbereiche sind die Verbesserung der klinischen Dokumentation und die radiologische Bildgebung. Klinische Dokumentation beinhaltet eine Vielfalt an Input; von durch Sprache erstellten oder getippten Ärztenotizen bis hin zu Laboren und Medikamenten. Bei der Verbesserung der klinischen Dokumentation prüfen Experten des jeweiligen Fachgebiets üblicherweise die Dokumentation, um sicherzustellen, dass die Ärzte eine genaue Darstellung der Erkrankung und Diagnose ihres Patienten erfasst haben. Allerdings erfordert diese Vorgehensweise Zeit und Ressourcen und kann Ärzten bei ihren Arbeitsabläufen stören. Ein Ansatz zur Automatisierung dieses Prozesses ist eine aufwendige und komplexe Verarbeitung, die die Erfassung und Digitalisierung des Fachwissens umfasst, um eine Wissensgrundlage zu erstellen. Anschließend wird eine Verarbeitungstechnik der natürlichen Sprache angewandt, um so in Echtzeit eine Abfrage für den Arzt zu erzeugen, während dieser seine Dokumentation speichert.

Durch neuronale Netze kann dieser Vorgang enorm verbessert werden. Nun kann bereits vorhandene klinische Dokumentation von Ärzten, einschließlich der Abfragen, die durch Experten des Fachgebiets erstellt wurden, genutzt werden, um Fakten in das neuronale Netz einzuspeisen. So wird viel Aufwand vermieden. Basierend auf dem, was das tiefe neuronale Netz aus bereits vorhandenen Fakten „gelernt“ hat, gelangt es eigenständig zu Schlussfolgerungen. Schlussendlich trägt dies zur Verbesserung der Dokumentation bei, indem die KI die fehlenden Teile oder Verbindungen identifiziert, um Ärzte in Echtzeit zu unterstützen, während diese noch Daten erfassen.  Dank KI können Ärzte sich stärker auf Patienten konzentrieren, während das System die Abrechnung, die gesetzlichen Anforderungen, Qualitätsmaßnahmen und Sicherheitsindikatoren in Datensätzen verwaltet.

Durch tiefe neuronale Netze wird ebenso die Auswertung visueller Daten, einschließlich radiologischer Bilder, revolutioniert. Um die subtilen Hinweise zur Auswertung der radiologischen Bilder zu erkennen, sind die sehr erfahrenen Augen eines Experten erforderlich, der tausende ähnlicher Bilder analysiert hat. Mithilfe von neuronalen Netzen kann diese Erfahrung genutzt werden, indem tausende radiologischer Bilder mit gestellten Diagnosen in das Netz eingespeist werden. Je mehr Bilder eingespeist werden, desto „erfahrener“ und genauer wird das Netz. Auf diese Weise kann es die subtilen Unterschiede zwischen einem positiven und einem negativen Befund erkennen. Durch diese Technologie wird der umfangreiche Arbeitsablauf von Radiologen verbessert, ihr Wissen erweitert und ihre Produktivität gesteigert, indem diese durch das Netz Unterstützung erhalten und so beispielsweise lebensbedrohliche Fälle vorrangig behandeln können. Da manche Radiologen heutzutage 100 Bilder täglich analysieren, stellt es sowohl für Ärzte als auch für Patienten, deren Ziel das beste Ergebnis ist, einen Mehrwert dar, dass KI diese Bilder vorab durchgeht und atypische Bilder erkennt, um diese Fälle vorrangig zu behandeln.

Die Möglichkeiten hinsichtlich tiefer neuronaler Netze sind unglaublich spannend. Sie sind leistungsstarke Tools, die die menschliche Expertise nicht ersetzen, sondern ergänzen sollen. Ärzte tragen heutzutage so viel Verantwortung; und KI ist eine vielversprechende Art und Weise, um ihnen Arbeit abzunehmen und ihnen Möglichkeiten zu bieten, sich mehr auf die Patientenbehandlung und Aktivitäten zu konzentrieren, die eine menschliche Komponente erfordern.

Sources:

Entdecken Sie KI in der Medizin

Erfahren Sie, wie künstliche Intelligenz Ärzten hilft, sich auf Patienten zu konzentrieren, während die Lösungen von Nuance basierend auf künstlicher Intelligenz die effiziente Entscheidungsfindung und die klinische Dokumentation unterstützen.

Mehr erfahren

Schlagwörter: , , , , ,