Liebe Freunde,
Unsere drei Projekte – Bewertung der Bodenqualität, General Computer Vision für das Gesundheitswesen, und CoVision - laufen und machen beachtliche Fortschritte! Darüber hinaus wächst die Zahl der Freiwilligen bei MI4People und unser Netzwerk von NPOs und Kämpfern für das Gemeinwohl stetig an.
Wir blicken also mit großer Zufriedenheit auf die Arbeit des letzten Monats zurück. Dennoch fehlte bisher ein wichtiger Bestandteil unserer Mission - eine breitere öffentliche Diskussion über die KI für das Gemeinwohl-Bewegung im Allgemeinen und die Arbeit von MI4People im Besonderen. Daher waren wir sehr froh, als uns vor einigen Wochen der KI-Influencer und Podcaster Luke Whipps kontaktierte und uns anbot, eine Folge seines AI Game Changer Podcasts über MI4People zu produzieren.
Und diesen Monat ist der MI4People-Podcast endlich erschienen! In dieser Folge spricht Luke mit unserem Mitbegründer und Geschäftsführer Paul Springer über Themen wie die KI für das Gemeinwohl-Bewegung, die Motivation von Datenwissenschaftlern und Experten für Machine Intelligence (MI), ihre Fähigkeiten einzusetzen, um die Welt und unsere Gesellschaft zu verbessern, und natürlich über unsere Arbeit bei MI4People, unsere Philosophie und unsere Projekte.
Sie können sich diesen Podcast auf Spotify anhören oder ihn auf dem brandneuen YouTube-Kanal des AI Game Changers Podcast ansehen. MI4People hatte sogar die Ehre, in der ersten Luke's-Podcast-Folge dabei zu sein, die nicht nur als Audio, sondern auch als Video aufgenommen wurde 😊.
Wir hoffen, dass Sie diesen Podcast genießen und sich an der öffentlichen Diskussion über KI für das Gemeinwohl beteiligen werden!
Außerdem haben wir, wie jeden Monat, einige interessante News darüber gesammelt, wie Machine Intelligence zur Förderung des Gemeinwohls eingesetzt werden kann. Diesmal konzentrieren wir uns darauf, wie MI helfen kann, eines der größten ungelösten Gesundheitsprobleme unserer Zeit zu bekämpfen - Krebs.
Wir wünschen Ihnen viel Spaß beim Lesen dieses Newsletters. Unterstützen Sie das Gemeinwohl und lassen Sie uns gemeinsam die Welt zu einem besseren Ort für uns alle machen!
Ihr MI4People-Team
News
KI und der Kampf gegen Krebs
Allein im Jahr 2020 gab es weltweit ca. 19,3 Millionen neue Krebsfälle und fast 10,0 Millionen Krebstodesfälle. So ist es nicht verwunderlich, dass z.B. in den USA Krebs die am meisten gefürchtete Diagnose ist. Und das sogar in der Zeit der COVID-19-Pandemie!
Die gute Nachricht ist, dass KI bei der Krebsbekämpfung helfen kann. Die Anwendung von KI in diesem Bereich umfasst folgende drei Hauptgebiete:
Unterstützung von Ärzten*innen – insbesondere von unerfahrenen – bei der Ermittlung der richtigen Diagnosen
Die Vorhersage individueller Krebsrisiken, damit Patienten*innen die am besten geeigneten Präventions- und Früherkennungsmaßnahmen ergreifen können
Entwicklung neuer und auf jeweiligen Patienten maßgeschneiderter Krebsbehandlungen.
In diesem Newsletter stellen wir Beispiele aus jeder dieser Kategorien von krebsbezogenen medizinischen Aktivitäten vor.
Krebserkennung mit KI
Viele Krebsarten werden mit Hilfe von medizinischen Bildern wie Röntgen-, CT- und MRT-Scans diagnostiziert. Normalerweise braucht man eine erfahrene Fachkraft, um den Krebs mit hoher Präzision zu erkennen, vor allem in den frühen Stadien. Leider sind solche Expert*innen vor allem in ärmeren Regionen dieser Welt Mangelware.
Computer Vision, ein Teilbereich der künstlichen Intelligenz, der bereits zur Erkennung und Klassifizierung von Objekten auf Bildern und Videos, zur Gesichtserkennung auf Mobiltelefonen und in selbstfahrenden Autos eingesetzt wird, ist auch in der Lage, Krankheiten, einschließlich Krebs, auf medizinischen Bildern zu erkennen. Die Genauigkeit solcher Diagnosen liegt bereits auf dem Niveau menschlicher Expert*innen und übertrifft manchmal sogar durchschnittliche Ärzt*innen (s. z. B. dieses Paper über Brustkrebserkennung)!
Es gibt viele spezialisierte Computer-Vision-Algorithmen und -Techniken, die für verschiedene Krebsarten wie Lungen-, Brust-, Gehirn-, Haut- und Prostatakrebs geeignet sind. Für einen Überblick über die vorhandenen Techniken empfehlen wir dem Leser dieses Survey-Paper.
Früherkennung und Vorhersage des Krebsrisikos
Um Krebs zu heilen, ist es äußerst wichtig, ihn so schnell wie möglich zu erkennen. Leider sind viele Techniken, die bei der Krebsvorsorge eingesetzt werden, wie z. B. Röntgenstrahlen, an sich schon schädlich. Daher ist es keine gute Idee, solche Untersuchungen zu häufig durchzuführen. Um dieses Dilemma zu lösen, müssen wir besser verstehen und vorhersagen, welche Patient*innen ein hohes Risiko haben, an Krebs zu erkranken, damit wir Screening-Strategien entwickeln können, die eine frühere Erkennung bei möglichst geringerem Screening-Schaden ermöglichen.
Ein internationales Forscherteam hat am Beispiel von Brustkrebs und Mammographie gezeigt, dass maschinelles Lernen (ML) zur Vorhersage des Krebsrisikos eingesetzt werden kann. Sie haben ein KI-Modell entwickelt, das anhand der Mammographie-Bilder einer Person ihr Risiko vorhersagt, in den nächsten 5 Jahren an Brustkrebs zu erkranken. In verschiedenen Tests erwies sich das Modell als genauer als die derzeit verwendeten Methoden zur Vorhersage des Brustkrebsrisikos. Auf der Grundlage dieser Risikoeinschätzung kann ein Arzt oder eine Ärztin eine Strategie entwickeln, wie oft sich jemand auf Brustkrebs untersuchen lassen sollte.
Individualisierte Krebsbehandlung mit maschinellem Lernen fördern
Zwar konnten Forscher*innen und Mediziner*innen die Sterblichkeitsrate von Menschen mit Krebs in den letzten Jahrzehnten durch neuartige Behandlungen erheblich senken, doch ist es nach wie vor eine Herausforderung, herauszufinden, welche Behandlung für einen bestimmten Patienten am erfolgversprechendsten ist. Daher müssen die Ärzt*innen oft mehrere Behandlungen an einem Patienten ausprobieren, bevor sie die wirksamste in seiner speziellen Krebssituation finden. Dies ist nicht nur mit hohen Kosten verbunden, sondern bruacht auch viel Zeit, die bei der Behandlung von Krebs entscheidend ist.
Die Antwort auf dieses Problem könnte eine personalisierte Krebsbehandlung mit Hilfe des maschinellen Lernens (ML) sein! Eine innovative Kollaboration zwischen dem Machine Learning Lab der University of Texas in Austin, dem Oden Institute for Computational Engineering and Sciences und der Dell Medical School zielt darauf ab, den Prozess der Identifizierung der am besten geeigneten Krebsbehandlungen durch die Kombination von Computational Oncology und ML zu beschleunigen. Während die Computational Oncology fortschrittliche mathematische und computergestützte Simulationen verwendet, um Tumore zu modellieren, patientenspezifische Modelle zu kalibrieren und das Ansprechen von Patient*innen auf potenzielle Behandlungsoptionen zu simulieren, können Algorithmen des maschinellen Lernens auf große Datensätze angewandt werden, um Klassifizierer zu erstellen, die selbst in komplexen biologischen und chemischen Systemen genaue individuelle Vorhersagen machen können. Die Kombination beider Techniken ist ein sehr vielversprechender Ansatz für die Entwicklung personalisierter, individueller Behandlungsstrategien, aber auch für die Suche nach völlig neuen Wegen zur Krebsbehandlung. Weitere Informationen zu dieser Forschungsinitiative finden Sie in diesem Artikel der UT Austin.
Schlusswort
Machine Intelligence kann dazu beitragen, die nächsten Durchbrüche in unserem Kampf gegen Krebs zu erzielen. Darüber hinaus kann sie dabei helfen, den Mangel an medizinischem Fachpersonal wie erfahrenen Onkolog*innen und Radiolog*innen zu beheben, die für eine korrekte Diagnose erforderlich sind. Vor allem in Entwicklungsländern, in denen ein enormer Mangel an medizinischen Fachkräften herrscht, könnten solche MI-Diagnosesysteme viele Leben retten. Tatsächlich ist dieses Problem so groß, dass wir bei MI4People ein eigenes Projekt für diesen Bereich ins Leben gerufen haben. Das Projekt ist breit angelegt und zielt darauf ab, verschiedene Krankheiten anhand von medizinischen Bildern in Entwicklungsländern zu identifizieren und auch bei der Krebsbekämpfung in diesen Regionen der Welt zu helfen.
Comments