Mit Ursache und Wirkung rechnen
Redaktion: Ludwig-Maximilians-Universität München
PRESSEMITTEILUNG
München/gc. Maschinen können lernen, nicht nur Vorhersagen zu treffen, sondern auch mit kausalen Zusammenhängen umzugehen. Das könnte helfen, Therapien effizienter, sicherer und individueller zu machen, schreibt ein internationales Forschungsteam.
Künstliche Intelligenz macht auch in der Medizin ihren Weg: Bei bildgebenden Verfahren oder dem Berechnen von Krankheitsrisiken sind KI-Verfahren zuhauf in der Entwicklung und Erprobung. Überall da, wo es darum geht, Muster in großen Datenmengen zu erkennen, kann die Maschine, so die Hoffnung, dem Menschen gute Dienste leisten. Sie vergleicht klassischerweise mit gelernten Beispielen, zieht daraus ihre Schlüsse und leitet Vorhersagen ab.
Jetzt lotet ein internationales Team um Professor Stefan Feuerriegel, Leiter des Instituts für AI in Management an der LMU, das Potenzial eines vergleichsweise neuen Zweigs von KI für Diagnostik und Therapie aus. Lassen sich mit sogenanntem Kausalen Maschinellen Lernen (ML) Behandlungsergebnisse abschätzen – besser als mit bisher gängigen Machine-Learning-Verfahren? Ja, heißt es in einer programmatischen Arbeit der Gruppe im angesehenen Fachblatt Nature Medicine, es werde Wirksamkeit und Sicherheit von Behandlungen verbessern können.
Insbesondere biete die neue Machine-Learning-Variante „eine Fülle von Möglichkeiten, Behandlungsstrategien zu personalisieren und damit die Gesundheit der Patienten individuell zu verbessern“, schreiben die Forscherinnen und Forscher aus München, Cambridge (Großbritannien) und Boston (USA), zu denen auch Stefan Bauer und Niki Kilbertus, Informatikprofessoren an der Technischen Universität München (TUM) und Arbeitsgruppenleiter bei Helmholtz AI, gehören.
Was die maschinelle Assistenz bei Therapieentscheidungen angeht, erwarten die Autoren einen entscheidenden Qualitätssprung. Klassisches Maschinenlernen erkennt Muster und entdeckt Korrelationen, argumentieren sie. Das kausale Prinzip von Ursache und Wirkung aber bleibt den Maschinen in aller Regel verschlossen, die Frage nach dem Warum können sie nicht angehen. Doch viele Fragen, die sich bei Therapieentscheidungen stellen, bergen kausale Probleme. Die Autoren führen dafür das Beispiel Diabetes an: Klassisches ML würde darauf abzielen vorherzusagen, wie wahrscheinlich eine Erkrankung ist, wenn der Patient eine Reihe von Risikofaktoren mitbringt. Mit Kausalem ML könnte man im Idealfall beantworten, wie sich das Risiko verändert, wenn der Patient ein Anti-Diabetes-Mittel bekommt, eine Ursache (Medikamentengabe) also eine Wirkung hat. Es wäre auch möglich abzuschätzen, ob ein anderer Behandlungsplan besser wäre als etwa das häufig verabreichte Medikament Metformin.
Doch um etwa den Effekt einer – hypothetischen – Behandlung abschätzen zu können, „müssen die KI-Modelle lernen, Fragen nach dem Muster ,Was wäre, wenn‘ zu beantworten“, sagt Jonas Schweisthal, Doktorand in Feuerriegels Team. „Wir geben der Maschine Regeln dafür mit, die kausale Struktur zu erkennen und das Problem richtig zu formalisieren“, sagt Feuerriegel. Sie müsse lernen, die Auswirkungen von Eingriffen zu erkennen und gleichsam zu verstehen, wie sich Folgen in der Realität in dem Datenfutter der Rechner widerspiegeln.
Auch dort, wo es bislang keine zuverlässigen Behandlungsstandards gibt oder wo aus ethischen Gründen keine randomisierten Studien möglich sind, weil diese immer auch eine Placebogruppe einschließen, könne man aus den verfügbaren Patienten-Daten potenzielle Behandlungsergebnisse abschätzen und so Hypothesen für mögliche Behandlungspläne bilden, hoffen die Forscher. Überhaupt sollte es möglich sein, mit solchen Real-World-Daten die Patientenkohorten in den Abschätzungen immer präziser zu beschreiben und so einer individuell zugeschnittenen Therapieentscheidung näherzukommen. Natürlich gebe es auch hier die Herausforderung, die Zuverlässigkeit und Robustheit der Methoden sicherzustellen.
„Die Software, die wir für kausale ML-Methoden in der Medizin brauchen, gibt es nicht out of the box“, dafür sei eine „komplexe Modellierung“ der jeweiligen Problemstellung nötig, „bei der KI-Experten und Mediziner eng zusammenarbeiten“, sagt Feuerriegel, der wie seine TUM-Kollegen Stefan Bauer und Niki Kilbertus auch im Munich Center for Machine Learning (MCML) und der Konrad Zuse School of Excellence in Reliable AI unter anderem zu Fragen von KI in der Medizin und „Decision Making“ forscht. In anderen Anwendungsgebieten, etwa dem Marketing, sagt Feuerriegel, sei das Arbeiten mit Kausalem ML schon seit ein paar Jahren in der Erprobungsphase. „Unser Ziel ist es, die Methoden auch einen Schritt näher an die Praxis zu bringen. Das Paper beschreibt die Richtung, in die es in den kommenden Jahren gehen könnte.“
Wissenschaftliche Ansprechpartner:
Prof. Dr. Stefan Feuerriegel
LMU
Head of Institute of AI in Management
ai@som.lmu.de
Originalpublikation:
Stefan Feuerriegel, Dennis Frauen, Valentyn Melnychuk, Jonas Schweisthal, Konstantin Hess, Alicia Curth, Stefan Bauer, Niki Kilbertus, Isaac S. Kohane und Mihaela van der Schaar: Causal machine learning for predicting treatment outcomes. Nature Medicine, 2024
______________________________________