„Künstliche Intelligenz in der Medizin muss nachvollziehbar sein“

Wissenschaftlerinnen und Wissenschaftler der Technischen Universität Berlin und der Charité setzen maschinelle Lernverfahren in der Bilddiagnostik ein

11.09.2019

Das Berliner Zentrum für Maschinelles Lernen (BZML) ist Schnittstelle zwischen maschinellem Lernen und medizinischer Forschung.

Das Berliner Zentrum für Maschinelles Lernen (BZML) ist Schnittstelle zwischen maschinellem Lernen und medizinischer Forschung.
Bildquelle: Shutterstock

Begonnen hat die Zusammenarbeit von Klaus-Robert Müller, Professor für maschinelles Lernen an der Technischen Universität Berlin, und Frederick Klauschen, Professor für Molekulare Pathologie an der Charité – Universitätsmedizin Berlin, mit einer Absage: Einen wissenschaftlichen Mitarbeiter, der für Frederick Klauschen ein Thema an der Schnittstelle zwischen maschinellem Lernen und Medizin bearbeiten sollte, wollte Klaus-Robert Müller ihm nicht vermitteln, da so grundsätzliche Fragestellungen nur in engeren Kooperationen beantwortet werden könnten. Stark an der Krebsforschung interessiert, schlug Müller stattdessen ein gemeinsames Projekt vor. Seit über sechs Jahren arbeiten die beiden Wissenschaftler inzwischen eng zusammen.

Klaus-Robert Müller, Professor für maschinelles Lernen an der Technischen Universität Berlin, leitet das Berliner Kompetenzzentrum für Maschinelles Lernen.

Klaus-Robert Müller, Professor für maschinelles Lernen an der Technischen Universität Berlin, leitet das Berliner Kompetenzzentrum für Maschinelles Lernen.
Bildquelle: Christian Kielmann

„Innovative Projekte an der Schnittstelle von Wissenschaften sind oft Marathonprojekte.“ Klaus-Robert Müller

„Innovative Projekte an der Schnittstelle von Wissenschaften sind oft Marathonprojekte“, sagt Klaus-Robert Müller. „Allein um die gemeinsame Forschungsfrage so zu formulieren, dass sie für die beteiligten Technologien lösbar wird, braucht es einen langfristigen, eng abgestimmten kooperativen Prozess. Dafür fehlen in Deutschland die Förderformate.“

Einen möglichen Rahmen, um solche interdisziplinären Forschungsfragen in Zukunft voranzutreiben, bietet seit August 2018 das Berliner Kompetenzzentrum für Maschinelles Lernen (BZML), das von Klaus-Robert Müller geleitet wird und an dem auch Frederick Klauschen beteiligt ist. Maschinelles Lernen ist ein Teilbereich der künstlichen Intelligenz. Vereinfacht dargestellt beschreibt Maschinelles Lernen Verfahren, die anhand von bekannten Daten trainiert werden, Muster zu erkennen, um dann unbekannte Daten beurteilen zu können.

Ziel des BZML ist es, die Synergieeffekte der reichhaltigen Berliner Wissenschaftslandschaft zu nutzen und die Grundlagenforschung im Bereich des maschinellen Lernens zu bündeln. Das Zentrum verbindet Wissenschaftlerinnen und Wissenschaftler der Technischen Universität Berlin, der Charité, der Freien Universität Berlin, der Humboldt-Universität zu Berlin, der Universität Potsdam sowie zahlreicher außeruniversitärer Forschungseinrichtungen.

Frederick Klauschen ist Professor für Molekulare Pathologie an der Charité – Universitätsmedizin Berlin und Junior Fellow der Einstein Stiftung Berlin.

Frederick Klauschen ist Professor für Molekulare Pathologie an der Charité – Universitätsmedizin Berlin und Junior Fellow der Einstein Stiftung Berlin.
Bildquelle: Einstein Stiftung Berlin

Einer der Schwerpunkte des Zentrums liegt darin, neue wissenschaftlich-technische Anwendungen des maschinellen Lernens unter anderem in der Medizin zu erschließen. In einem gemeinsamen Projekt von Klaus-Robert Müller und Frederick Klauschen geht es um die Bildanalyse in der Krebsdiagnostik. Standardmäßig werden in der Krebsforschung hauchdünne Schnitte von Gewebeproben unter dem Mikroskop betrachtet. Anhand dieser Bilder beurteilt der Arzt oder die Ärztin, um was für einen Tumor es sich handelt. „Pathologen beherrschen die qualitative Beurteilung – also ob ein Tumor bösartig ist oder nicht – sehr gut“, erläutert Frederick Klauschen. „Für das menschliche Auge deutlich schwieriger zu erfassen, sind quantitative Analysen oder Beschreibungen, die den Tumor näher charakterisieren. Zum Beispiel: Wie schnell wächst der Tumor oder wie viele Immunzellen (Lymphozyten) sind in den Tumor eingewandert?“

"Bei einigen Karzinomen, zum Beispiel bei Brustkrebs, ist bekannt, dass die Zahl der eingewanderten Lymphozyten im Tumorgewebe einen Einfluss auf die Prognose der Patientin hat. Zusätzlich wird diskutiert, ob diese Zahl auch einen prädiktiven Wert hat – also Aussagen darüber ermöglicht, wie gut welche Therapie anschlägt“, sagt Frederick Klauschen. „Daher ist diese Zahl aus Sicht der Forschung besonders interessant.“ Bislang hat der Pathologe zwei Möglichkeiten: entweder er schätzt die Anzahl der Lymphozyten oder er zählt. Die erste Methode ist ungenau, die zweite sehr aufwändig im medizinischen Alltag.

"Momentan arbeiten wir mit Berlin Health Innovation daran, einen Prototyp für die klinische Anwendung zu erstellen.“ Frederick Klauschen

Über die Lösung dieser Fragen mithilfe von maschinellem Lernen begannen sich Frederick Klauschen und Klaus-Robert Müller vor gut sechs Jahren Gedanken zu machen. Inzwischen existiert ein Verfahren, das nicht nur in der Lage ist, die exakte Anzahl der Lymphozyten zu ermitteln, sondern das Ergebnis auch visualisiert und damit für Ärztinnen und Ärzte nachvollziehbar macht. „Diese Erklärbarkeit der Ergebnisse ist in der Medizin unverzichtbar. Allein dafür mussten wir eine riesige Datenbank an medizinischen Bilddaten erstellen, mit der das System lernen kann“, erklärt Frederick Klauschen.

Es reiche nicht, nur das mathematische Problem zu lösen – also aus Bilddaten die Anzahl bestimmter Zellen zu ermitteln. Diese Mathematik müsse für die Anwenderinnen und Anwender auch nachvollziehbar gemacht werden. „Das geschieht hier mit der Layerwise Relevance Propagation (LRP). Ein Verfahren, das wir in diesem Projekt entwickelt haben“, sagt Klaus-Robert Müller. Es ermöglicht einen Einblick in die sogenannte Black Box der maschinellen Lernverfahren und visualisiert die Bildpunkte, aufgrund derer der Algorithmus Entscheidungen trifft, in einer sogenannten Heatmap.

Seit Kurzem ist das System soweit ausgereift, dass diese Heatmap innerhalb weniger Sekunden erstellt wird. „Momentan arbeiten wir mit Berlin Health Innovation – dem gemeinsamen Technologietransfer des Berliner Instituts für Gesundheitsforschung (BIH) und der Charité – daran, einen Prototyp für die klinische Anwendung zu erstellen“, so Frederick Klauschen.

"Um neuartige Algorithmen in die medizinische Praxis zu bringen, braucht es Institutionen wie Berlin Health Innovations.“ Klaus-Robert Müller

Die enge Kooperation zwischen den verschiedenen Berliner Institutionen in gemeinsamen Projekten wie dem BZML oder dem Berlin Big Data Center (BBDC), das ebenfalls von der Technischen Universität in Kooperation mit der Charité und anderen Partnern getragen wird, und darüber hinaus mache solche Projekte überhaupt erst möglich, weiß Klaus-Robert Müller. Ausgangspunkt ist eine wissenschaftliche Fragestellung. Diese muss in einem ersten Schritt gemeinsam so geschärft werden, dass sie für die beteiligten Technologien überhaupt lösbar ist. Im BZML werde dann versucht, entsprechende neuartige Algorithmen zu entwickeln. „Diese erfüllen im ersten Schritt keine Echtzeitbedingungen, sondern lösen lediglich das mathematische Problem. Skaliert werden können solche Methoden im BBDC. Um sie in die medizinische Praxis zu bringen, braucht es Institutionen wie Berlin Health Innovations“, beschreibt Müller.

Im Rahmen des neuen Kompetenzzentrums für maschinelles Lernen machen sich die beiden Wissenschaftler bereits daran, die Technologie weiterzuentwickeln: „Unser nächstes Ziel ist es, die bildbasierte Diagnostik um molekulare Daten wie zum Beispiel Mutationsprofile oder die spezifische Proteinzusammensetzung einer Probe zu ergänzen“, so Frederick Klauschen. „Dabei liegt die Schwierigkeit unter anderem darin, dass wir es mit sehr heterogenen Daten zu tun haben, die nicht nur einen unterschiedlichen Informationsgehalt haben, sondern auch eine unterschiedliche räumliche Auflösung und darunterliegende Statistik“, beschreibt Klaus-Robert Müller die Herausforderung.

Gleichzeitig passt das Thema perfekt in den Schwerpunkt des BZML; das Zentrum beschäftigt sich unter anderen damit, die Informationen aus unterschiedlich strukturierten, multimodalen Daten verschiedener Quellen zusammenzubringen. „Auch, wenn die Thematik der einzelnen Bereiche sehr unterschiedlich sein kann, sind die Fragestellungen an das maschinelle Lernen dabei sehr ähnlich“, sagt Klaus-Robert Müller. Ziel des BZML ist es, hier fundamental neue Forschungsbeiträge in den interdisziplinären Bereichen Biomedizin, Kommunikation und Digital Humanities zu realisieren.


Berliner Zentrum für Maschinelles Lernen

Seit August 2018 fördert das Bundesministerium für Bildung und Forschung (BMBF) den Aufbau des Berliner Kompetenzzentrums für Maschinelles Lernen (BZML) mit einer Summe von rund 8,5 Millionen Euro über vier Jahre. Geleitet wird das interdisziplinär arbeitende BZML von Klaus-Robert Müller, Professor für Maschinelles Lernen an der Technischen Universität Berlin. Die Ausrichtung des BZML beinhaltet vier Schwerpunkte:

  1. theoretische und algorithmische Grundlagen des maschinellen Lernens weiter vorantreiben
  2. neue wissenschaftlich-technische Anwendungen für maschinelles Lernens erschließen
  3. neue Forschungsbeiträge in den interdisziplinären Bereichen Biomedizin, Kommunikation und Digital Humanities realisieren
  4. maschinelle Lernverfahren verständlich und nachvollziehbar gestalten