KI in der Medizin

Künstliche Intelligenz in der Medizin

KI für Diagnostik, Medikamentenentwicklung, Behandlungspersonalisierung und Genbearbeitung

Machine Learning hat große Fortschritte in der Pharma- und Biotech-Effizienz gemacht. Dieser Beitrag fasst die 4 wichtigsten Anwendungen von KI in der Medizin zusammen:

Krankheiten diagnostizieren
Die richtige Diagnose von Krankheiten erfordert jahrelange medizinische Ausbildung. Auch dann ist die Diagnose oft ein mühsamer und zeitraubender Prozess. In vielen Bereichen übersteigt die Nachfrage nach Experten das verfügbare Angebot bei weitem. Das belastet die Ärzte und verzögert oft die lebensrettende Patientendiagnostik.

Machine Learning – insbesondere Deep-Learning-Algorithmen – haben in letzter Zeit große Fortschritte bei der automatischen Diagnose von Krankheiten gemacht, die die Diagnostik billiger und zugänglicher machen.

Wie Maschinen lernen zu diagnostizieren
Machine Learning-Algorithmen können lernen, Muster ähnlich zu sehen, wie Ärzte sie sehen. Ein wesentlicher Unterschied besteht darin, dass Algorithmen viele konkrete Beispiele – viele tausend – benötigen, um zu lernen. Und diese Beispiele müssen sauber digitalisiert werden – Maschinen können nicht zwischen den Zeilen in Lehrbüchern lesen.

Daher ist Machine Learning besonders dort hilfreich, wo die diagnostischen Informationen, die ein Arzt untersucht, bereits digitalisiert sind.

Zum Beispiel

  • Erkennung von Lungenkrebs oder Schlaganfällen anhand von CT-Scans
  • Beurteilung des Risikos eines plötzlichen Herztodes oder anderer Herzerkrankungen anhand von Elektrokardiogrammen und kardialen MRT-Aufnahmen
  • Klassifizierung von Hautläsionen in Hautbildern
  • Finden von Indikatoren für diabetische Retinopathie in Augenbildern

Beispiele für KI-Diagnostik von Krankheiten
Da es in diesen Fällen viele gute Daten gibt, werden Algorithmen in der Diagnostik genauso gut wie die Experten. Der Unterschied ist: Der Algorithmus kann in Sekundenbruchteilen Rückschlüsse ziehen und ist weltweit kostengünstig reproduzierbar. Bald konnte jeder, überall auf die gleiche Qualität von Top-Experten in der Radiologie-Diagnostik zugreifen, und das zu einem niedrigen Preis.

Erweiterte KI-Diagnostik kommt bald.
Die Anwendung von Machine Learning in der Diagnostik steht erst am Anfang – anspruchsvollere Systeme beinhalten die Kombination mehrerer Datenquellen (CT, MRT, Genomik und Proteomik, Patientendaten und sogar handschriftliche Dateien) zur Beurteilung einer Krankheit oder ihres Verlaufs.

Die KI wird in absehbarer Zeit keine Ärzte ersetzen.
Es ist unwahrscheinlich, dass die KI die Ärzte ersetzen wird. Stattdessen werden KI-Systeme eingesetzt, um potenziell bösartige Läsionen oder gefährliche Herzmuster für den Experten aufzuzeigen – so kann sich der Arzt auf die Interpretation dieser Signale konzentrieren.

AI wurde bereits in allen 4 Hauptstadien der Arzneimittelentwicklung erfolgreich eingesetzt:

Stufe 1: Festlegung der Ziele für die Intervention
Der erste Schritt in der Medikamentenentwicklung ist das Verständnis des biologischen Ursprungs einer Krankheit (Pathways) sowie ihrer Resistenzmechanismen. Dann müssen Sie gute Ziele (typischerweise Proteine) für die Behandlung der Krankheit identifizieren. Die weit verbreitete Verfügbarkeit von Hochdurchsatzverfahren, wie z.B. Short Hairpin RNA (shRNA) Screening und Deep Sequencing, hat die Datenmenge, die für die Entdeckung lebensfähiger Zielwege zur Verfügung steht, stark erhöht. Bei traditionellen Techniken ist es jedoch immer noch eine Herausforderung, die hohe Anzahl und Vielfalt der Datenquellen zu integrieren – und dann die entsprechenden Muster zu finden.

Machine Learning-Algorithmen können alle verfügbaren Daten leichter analysieren und sogar lernen, gute Zielproteine automatisch zu identifizieren.

Stufe 2: Entdeckung von Medikamentenkandidaten
Als nächstes müssen Sie eine Verbindung finden, die mit dem identifizierten Zielmolekül in der gewünschten Weise interagieren kann. Dabei wird eine große Anzahl – oft mehrere Tausend oder sogar Millionen – potenzieller Verbindungen auf ihre Wirkung auf das Target (Affinität) und deren Nebenwirkungen (Toxizität) untersucht. Diese Verbindungen können natürlich, synthetisch oder biotechnologisch hergestellt sein.

Allerdings ist die aktuelle Software oft ungenau und produziert viele schlechte Vorschläge (False Positives) – daher dauert es sehr lange, sie auf die besten Medikamentenkandidaten (so genannte Leads) einzugrenzen.

Auch hier können Machine Learning-Algorithmen helfen: Sie können lernen, die Eignung eines Moleküls anhand von strukturellen Fingerabdrücken und molekularen Deskriptoren vorherzusagen. Dann durchleuchten sie Millionen potenzieller Moleküle und filtern sie alle auf die besten Optionen – diejenigen, die auch minimale Nebenwirkungen haben. Das spart viel Zeit bei der Entwicklung von Medikamenten.

Stufe 3: Beschleunigung klinischer Studien
Es ist schwer, geeignete Kandidaten für klinische Studien zu finden. Wenn Sie sich für die falschen Kandidaten entscheiden, verlängert sich der Prozess – das kostet viel Zeit und Ressourcen.

Machine Learning kann das Design von klinischen Studien beschleunigen, indem es automatisch geeignete Kandidaten identifiziert und die korrekte Verteilung für Gruppen von Studienteilnehmern sicherstellt. Algorithmen können helfen, Muster zu erkennen, die gute von schlechten Kandidaten trennen. Sie können auch als Frühwarnsystem für eine klinische Studie dienen, die keine aussagekräftigen Ergebnisse liefert – so können die Forscher früher eingreifen und möglicherweise die Entwicklung des Medikaments retten.

Stufe 4: Biomarker für die Diagnose der Krankheit finden
Sie können Patienten nur dann behandeln, wenn Sie sich Ihrer Diagnose sicher sind. Einige Methoden sind sehr teuer und erfordern komplizierte Laborgeräte sowie Expertenwissen – wie z.B. die Sequenzierung des gesamten Genoms.

Biomarker sind Moleküle in Körperflüssigkeiten (typischerweise menschliches Blut), die absolute Sicherheit darüber bieten, ob ein Patient eine Krankheit hat oder nicht. Sie machen die Diagnose einer Krankheit sicher und kostengünstig.

Sie können sie auch verwenden, um das Fortschreiten der Erkrankung zu bestimmen – das erleichtert es den Ärzten, die richtige Behandlung zu wählen und zu überwachen, ob das Medikament wirkt.

Aber es ist schwierig, geeignete Biomarker für eine bestimmte Krankheit zu finden. Es ist ein weiterer teurer, zeitaufwändiger Prozess, bei dem Zehntausende potenzieller Molekülkandidaten untersucht werden.

AI kann einen großen Teil der manuellen Arbeit automatisieren und den Prozess beschleunigen. Die Algorithmen klassifizieren Moleküle in gute und schlechte Kandidaten – das hilft Klinikern, sich auf die Analyse der besten Aussichten zu konzentrieren.

Biomarker können zur Identifizierung verwendet werden:

  • Das Vorhandensein einer Krankheit so früh wie möglich – diagnostischer Biomarker
  • Das Risiko, dass ein Patient die Krankheit entwickelt – Risiko-Biomarker
  • Der wahrscheinliche Verlauf einer Krankheit – prognostischer Biomarker
  • Ob ein Patient auf ein Medikament anspricht – prädiktiver Biomarker

3. Personalisierende Behandlung

Verschiedene Patienten reagieren auf Medikamente und Behandlungspläne unterschiedlich. Eine personalisierte Behandlung hat also ein enormes Potenzial, die Lebenserwartung der Patienten zu erhöhen. Aber es ist sehr schwer zu erkennen, welche Faktoren die Wahl der Behandlung beeinflussen sollten.

Machine Learning kann diese komplizierte statistische Arbeit automatisieren – und dabei helfen, herauszufinden, welche Merkmale darauf hinweisen, dass ein Patient auf eine bestimmte Behandlung anspricht. So kann der Algorithmus das wahrscheinliche Ansprechen eines Patienten auf eine bestimmte Behandlung vorhersagen.

Das System lernt dies, indem es ähnliche Patienten miteinander vergleicht und ihre Behandlungen und Ergebnisse vergleicht. Die daraus resultierenden Ergebnisprognosen erleichtern es den Ärzten, den richtigen Behandlungsplan zu entwerfen.

4. Verbesserung der Genbearbeitung

Clustered Regularly Interspaced Short Palindromic Repeats (CRISPR), speziell das CRISPR-Cas9 System zur Genbearbeitung, ist ein großer Fortschritt in unserer Fähigkeit, DNA kosteneffizient und präzise wie ein Chirurg zu bearbeiten.

Diese Technik beruht auf kurzen Führungs-RNAs (sgRNAs), um eine bestimmte Stelle auf der DNA anzupeilen und zu bearbeiten. Aber die Leit-RNA kann an mehreren Stellen der DNA eingesetzt werden – und das kann zu unbeabsichtigten Nebenwirkungen (Off-Target-Effekten) führen. Die sorgfältige Auswahl der Führungs-RNA mit den wenigsten gefährlichen Nebenwirkungen ist ein wesentlicher Engpass bei der Anwendung des CRISPR-Systems.

Machine Learning-Modelle liefern nachweislich die besten Ergebnisse, wenn es darum geht, den Grad der Guide-Target-Interaktionen und Off-Target-Effekte für eine bestimmte sgRNA vorherzusagen. Dies kann die Entwicklung von Leit-RNA für jede Region der menschlichen DNA erheblich beschleunigen.

Zusammenfassung

AI hilft uns bereits heute, Krankheiten effizienter zu diagnostizieren, Medikamente zu entwickeln, Behandlungen zu personalisieren und sogar Gene zu bearbeiten.

Aber das ist erst der Anfang. Je mehr wir unsere medizinischen Daten digitalisieren und vereinheitlichen, desto mehr können wir die KI nutzen, um wertvolle Muster zu finden – Muster, mit denen wir in komplexen Analyseprozessen präzise und kostengünstige Entscheidungen treffen können.

Originally published at www.datarevenue.com