Vitale Daten

Große Datenmengen haben Stefan Flasche noch nie abgeschreckt. Seit Beginn seiner Karriere schon sammelt und analysiert der Epidemiologe Daten im Mega-Maßstab. Er nutzt sie, um den Verlauf von Epidemien und Pandemien vorauszusagen und jene Strategien zu optimieren, mit denen sich Krankheitsausbrüche am besten eindämmen lassen. So haben seine mathematischen Modellierungen schon erheblich dazu beigetragen, verschiedenste Gesundheitskrisen – von COVID-19 über Ebola bis zur Schweinegrippe – besser zu bewältigen.

Noch bis vor ein paar Jahren, selbst in der Corona-Zeit, verarbeitete Flasche die Daten für epidemiologische Voraussagen auf herkömmliche Weise. Künstliche Intelligenz? „Da waren wir lange sehr zurückhaltend“, sagt der Einstein-Professor, der nach 15 Jahren in Großbritannien in seine Heimatstadt Berlin zurückgekehrt ist und nun eine Professur für Infektionsdynamik und Globale Gesundheit an der Charité – Universitätsmedizin Berlin innehat. Zu folgenschwer wäre es, wenn sich die Künstliche Intelligenz (KI) irrt: „Von unseren Modellen gehen viele direkt an Experten, die dann Empfehlungen geben“, so der Epidemiologe. Zum Beispiel an die Ständige Impfkommission in Berlin, aber auch an die Weltgesundheitsorganisation und medizinische Organisationen in aller Welt. „Da geht es um Menschenleben.“ Schließlich können unterschätzte Ausbrüche und falsche Gegenmaßnahmen viel Leid und viele Todesfälle verursachen und letztlich auch ganze Gesundheitssysteme niederstrecken. „Wir müssen deshalb extrem sicher sein, dass unsere Berechnungen stimmig sind.“

Doch als Ende 2022 der Chatbot ChatGPT aufkam, hatte Flasche seinen „Heureka-Moment“, wie er sagt. Es war klar: Diese Form von KI, die sogenannten Language Tools, die mit Sprache arbeiten und Fragen beantworten oder Befehle ihrer menschlichen Nutzer:innen umsetzen, sind mittlerweile so gut, dass sein Team sie bestens gebrauchen kann. Sie helfen Flasche seither vor allem bei der Programmierung. Er bitte die Systeme, Vorschläge für Computerprogramme zu machen, mit denen sich die epidemiologischen Voraussagen kalkulieren lassen.

Diese Berechnungen sind schließlich ausgesprochen komplex: Um zu entscheiden, mit welchen Maßnahmen man einen Krankheitsausbruch eindämmen sollte, muss man möglichst viele Daten über den sich ausbreitenden Erreger berücksichtigen, aber auch die Eigenarten der Region, in der sich das Geschehen abspielt; die Dichte der dortigen Besiedlung etwa, die Bevölkerungsstruktur, wie groß die Abwehrkraft der Bewohner:innen ist. Denn jeder Ausbruch ist anders, und jeder Krankheitserreger hat seine Eigenheiten. 

Inzwischen nutzt Stefan Flasche regelmäßig Language Tools, um seine Analysen bei Ausbrüchen mit neuen Erregern zu beschleunigen und Muster in den erfassten Daten zu erkennen: Wer hat wahrscheinlich wen angesteckt? Wie viel Zeit ist jeweils zwischen der Infektion der einen Person und der folgenden vergangen? Und wie viel Zeit zwischen der Ansteckung und dem Auftreten von Symptomen?

Man muss nur in Stefan Flasches Nachbarinstitute blicken, um die Vielfalt zu verstehen, mit der KI mittlerweile in der biomedizinischen Forschung eingesetzt wird. Methoden der Künstlichen Intelligenz helfen nicht nur durch epidemiologische Vorhersagen bei der Seuchenbekämpfung, sie sind auch wesentlich für die Grundlagenforschung und können alle drei Säulen der Medizin stützen – die Prävention von Krankheiten, die Erkennung (Diagnostik) und die Entwicklung neuer oder gar maßgeschneiderter Therapien.

Da ist zum Beispiel das Team um Vince Istvan Madai, der am Berlin Institute of Health (BIH) versucht, die Behandlung bei akutem Schlaganfall zu verbessern. Jüngst hat er gezeigt, dass sich mit KI bestimmen lässt, wann genau eine Person einen Schlaganfall erlitten hat. Das ist von enormer Bedeutung, um die richtige Behandlung zu wählen – und Patient:innen die schlimmsten Folgen zu ersparen.

Dazu hat das Team ein Programm entwickelt, das Aufnahmen des Gehirns durch Computertomografen nach einem Schlaganfall auswertet. Es erkennt mehr Details als ein menschliches Auge und wurde mittels Deep Learning trainiert. Neben den Language Tools ist das der andere große Teilbereich der KI: Sie lernt aus großen Datenmengen und kann Muster darin erkennen. Je mehr Bilder von Schlaganfallpatient:innen, bei denen der Zeitpunkt des Anfalls bekannt ist, die KI also auswerten kann, desto besser wird sie darin, den Zeitpunkt bei anderen Patient:innen korrekt zu bestimmen.

Ums Überleben geht es auch bei der Forschung von Jana Wolf, der Leiterin der Arbeitsgruppe „Mathematische Modellierung zellulärer Prozesse“ am Max Delbrück Center. Sie versucht mithilfe von Machine-Learning-Modellen herauszufinden, weshalb 35 Prozent der Patient:innen mit einem Large-B-Zell-Lymphom nicht auf die Krebstherapie ansprechen – und wie sich das verändern lässt. Dazu analysiert Wolfs Mitarbeiter Fabian Konrath mittels KI sämtliche Mutationskombinationen von großen Patient:innengruppen und gleicht die genetischen Daten mit dem Behandlungserfolg ab. Es geht um Millionen von Datensätzen.

Ohne Machine Learning sei das gar nicht möglich, sagt Wolf. Ihre Forschung könnte eines Tages spezielle Medikamente für jene Patient:innen hervorbringen, deren Lymphom sich bisher nicht behandeln lässt. Mit einem ähnlichen Ziel, aber einer anderen KIgestützten Methode arbeitet die Gruppe „Spatial Proteomics“ um Fabian Coscia, ebenfalls am Max Delbrück Center: Sie ermöglicht es den Forschenden, mithilfe von Hochleistungsmikroskopie, einer Deep-Learning-KI und -Robotik in einer Probe genau die Krebszellen zu identifizieren und für die weitere Analyse auszuwählen, die den Krebs resistent oder aggressiv machen. 

„Deep Visual Proteomics“ heißt die Methode, mit der sie sämtliche Proteine in ausgesuchten einzelnen Zellen messen können. „Proteine sind die eigentlichen Funktionsträger in den Zellen. Sie entscheiden darüber, ob eine Zelle erkrankt oder nicht“, sagt Coscia. Er hofft, mit seinem KI-gestützten Zellisolationsmikroskop herauszufinden, welche Proteine in welchen Zellen für den Krankheitsprozess eine wichtige Rolle spielen. Dann könnten Therapien entwickelt werden, die krankmachende Proteine etwa bei Hautkrebs oder Eierstockkrebs gezielt ausschalten oder gesunderhaltende unterstützen.

Ob Schlaganfall oder Proteinmuster: Optische Analysen gelingen mit KI erheblich besser. Denn die KI sieht viel mehr als ein noch so geübtes menschliches Auge. Sie wird daher bereits sehr erfolgreich für die Analyse radiologischer Bilddaten genutzt, um zum Beispiel anhand einer Aufnahme aus dem MRT bedrohliches Tumorgewebe zu erkennen. 

Seit mehr als einhundert Jahren schon bestimmen Patholog:innen in mikroskopischen Aufnahmen dünner Gewebeschnitte von Patient:innen die Zusammensetzung der darin enthaltenen Zellen und ihre Eigenschaften, weil das Aussagen über den Krankheitsstatus und die Behandlungsmöglichkeiten erlaubt. Am Max Delbrück Center arbeitet Lorenz Rumberger in der Arbeitsgruppe von Dagmar Kainmüller daran, diese zeitaufwendige Arbeit durch KI-Methoden auf eine neue Ebene zu heben und so die Diagnostik von Krankheiten zu verbessern. Seine Modelle könnten helfen, Zelltypen künftig noch einfacher voneinander zu unterscheiden und so zum Beispiel zur Beurteilung von Gewebeproben von Krebspatient:innen beizutragen. Das Forschungsfeld nennt sich Computer Vision – die Forschenden bringen Computern quasi das Sehen bei.

Einen umfassenden Blick auf persönliche Gesundheit hat die Arbeitsgruppe „Künstliche Intelligenz“ von Roland Eils am BIH. Sie nutzt KI wie eine Hightech-Glaskugel für die Vorhersage von Krankheiten und kann erstaunliche Ergebnisse vorweisen. Eils setzt Deep Learning ein, um eines Tages Krankheitsrisiken für jeden Einzelnen akkurat berechnen und dadurch personalisierte Gesundheitsratschläge geben zu können. So möchte er Menschen frühzeitig sagen können, für welche Art von Erkrankungen sie persönlich ein besonders hohes Risiko tragen, während sie sich bei anderen Erkrankungen entspannt zurücklehnen können. „So ließen sich personalisierte Präventionsprogramme entwickeln, um die Entstehung von Krankheiten entweder gänzlich zu verhindern oder zumindest hinauszuzögern“, sagt Eils. Das Ziel: gesünder alt zu werden. Womöglich sogar älter.

Krankheiten entweder gänzlich zu verhindern oder zumindest hinauszuzögern“, sagt Eils. Das Ziel: gesünder alt zu werden. Womöglich sogar älter. Dabei blickt Eils’ Team keineswegs nur auf einzelne Erkrankungen. Seine KI erfasst aus anonymisierten Daten von Krankenversicherungen rund 2000 verschiedene Krankheitssymptome, von Herzkreislauf- über Stoffwechsel- bis hin zu Augenerkrankungen und verschiedensten Krebsformen. „Wir nutzen Daten zu allen Krankheiten, die es auf diesem Planeten gibt“, sagt Eils. So erkennt die Deep-Learning-KI anhand von medizinischen Daten, die Freiwillige an die UK Biobank gespendet haben, welcher Mensch mit welchen Diagnosen und Symptomen später welche anderen Krankheiten entwickelt und welche Lebenserwartung hat. Die KI wird dann in Beta-Tests mit anderen Kohorten von Menschen angewendet, um ihre Vorhersagen zu überprüfen.

„Für rund 1500 Erkrankungen funktioniert es schon gut“, sagt Eils und betont: Ohne die selbstlernenden Computerprogramme wäre eine solche Datenflut gar nicht beherrschbar, aber mit ihnen kommen valide Ergebnisse zustande. So lässt sich anhand von Blutwerten vorhersagen, welche Personen ein besonders hohes Risiko haben, Diabetes oder eine Herzmuskelschwäche zu entwickeln. Zu den Blutwerten gehören Klassiker wie der Cholesterin- und der Blutzuckerspiegel, aber noch viele weitere Stoffwechselprodukte, die weniger bekannt sind. Was Eils dabei selbst erstaunt: Die Vorhersagemodelle arbeiten zuverlässig über verschiedenste Gesundheitssysteme und unterschiedliche Ethnien hinweg.

Nun weiß man natürlich längst, was man tun muss, um gesund alt zu werden: mehr Bewegung, gesünderes Essen, weniger Alkohol, keine Zigaretten. Braucht es da noch mehr Appelle? Eils ist überzeugt: Wenn eine geprüfte KI Menschen aufgrund ihrer persönlichen Lebensgeschichte ihre individuellen Risiken vorrechnet und etwa sagt: „Ihr Risiko für Lungenkrebs beträgt in den kommenden zehn Jahren 95 Prozent, wenn Sie nicht aufhören zu rauchen!“, dann ist die Motivation eine ganz andere, es tatsächlich zu tun. „Die Botschaft muss persönlich ankommen.“ Und sie muss verlässlich sein. Dann kann sie auch ruhig von so etwas Unpersönlichem wie einer KI stammen.