Interview mit Anton Dolgikh

»Neuronale Netz sind noch immer Black Boxes«

25. Juli 2018, 08:00 Uhr   |  Melanie Ehrhardt

»Neuronale Netz sind noch immer Black Boxes«
© DataArt

Anton Dolgikh: »Traditionell punkten neuronale Netze im Bereich der Bilderkennung.«

Neben Künstlicher Intelligenz rücken zunehmend auch andere Begriffe aus der Informatik in den Fokus der medizinischen Forschung. Deep Learning und künstliche neuronale Netze hören sich zwar gut an, was sich dahinter verbirgt, wissen bisher aber nur die wenigsten – Anton Dolgikh klärt auf.

Zur Person

Anton Dolgikh leitet KI- und ML-Projekte innerhalb der Healthcare and Life Sciences-Abteilung bei DataArt. Zusätzlich gibt er Seminare zur Integration von maschinellem Lernen in Business-Lösungen. Bevor Dolgikh zu DataArt stieß, forschte er im Department of Complex Systems der Freien Universität Brüssel. Dolgikh hat einen Master in theoretischer Physik und promovierte über die Physik der kondensierten Materie an der Staatlichen Woronesch Universität, wo er auch Mathematik und Physik lehrte.

Medizin+elektronik: Der Begriff Künstliche Intelligenz (KI) ist mittlerweile zu einem gängigen Begriff in der Medizin geworden, weckt allerdings oft falsche Erwartungen. Was also verbirgt sich (heute) dahinter?

Anton Dolgikh: Der Begriff KI hat eine lange Geschichte. Anfangs beschrieb er ein Computersystem, das die Intelligenz eines Menschen besitzt. Heute verwenden wir KI unter anderem auch, um Systeme zu beschreiben, die Krankheiten auf die gleiche Weise diagnostizieren können wie Menschen. Noch häufiger bezieht sich dieser Begriff auf Computersysteme, die nicht nur Krankheiten diagnostizieren können, sondern eine breitere Klasse von Aufgaben erfüllen. Beispielsweise bezeichnen Experten ein Modell, das den Aufenthalt eines Patienten in einem Krankenhaus voraussagt, als KI-basiert oder auch ein Modell, das die Tiefe der Anästhesie nach einem Enzephalogramm auswertet. Eigentlich ist Künstliche Intelligenz ein Oberbegriff, der verschiedene Bereiche wie Machine Learning, Computer Vision, Decision Theory, Robotics umfasst. So stimmt es beispielsweise, ein System, das eine Lungenentzündung auf dem Röntgenbild erkennen kann, als KI-System zu bezeichnen.

Eine von Künstlicher Intelligenz (KI) gespeiste Technik ist das Deep Learning. Was verbirgt sich dahinter?

Deep Learning bedeutet maschinelles Lernen mit mehreren Kompositionsebenen. Die Komposition besteht aus einfachen, aber nicht linearen Modulen. Der Hauptaspekt von Deep Learning liegt darin, dass die einer Stufe entsprechenden Funktionen nicht von menschlichen Experten entworfen, sondern direkt aus den Daten gelernt werden. Dies ist ein wichtiger Aspekt von Deep Learning, da es uns erlaubt, das Modell mit den Rohdaten zu trainieren.

Können Sie das an einem Beispiel genauer erklären?

Ein repräsentativer Fall von Deep-Learning-Modellen sind tiefe neuronale Netze (deep neural networks, DNN). Die Abstraktionsebenen in DNN sind aus Neuronen aufgebaut, die in Schichten angeordnet sind. Ein beeindruckendes Beispiel dafür, was DNN kann, ist ein Experiment von Andrew Ng von der Stanford University und Jeff Dean von Google. Sie schufen ein neuronales Netz mit mehr als einer Milliarde Verbindungen. Das Netzwerk wurde mit 10 Millionen Thumbnails aus YouTube-Videos gefüttert. Die Thumbnails waren nicht beschriftet, sodass das Netzwerk nicht wusste, was auf den Bildern dargestellt wurde. Doch das künstliche Gehirn erlernte selbstständig das Konzept einer Katze und fand heraus, wie es diese auf den Bildern erkennt.

Ein weiterer Begriff, der immer wieder aufkommt, sind künstliche neuronale Netze (KNN). Was kann ich mir darunter vorstellen?

Aus mathematischer Sicht ist das neuronale Netz ein hocheffizientes Modell auf der Suche nach statistischen Mustern. Es besteht aus Neuronen, die jeweils eingehende Signale transformieren und an andere Neuronen weiterleiten. Diese Transformation vollzieht sich entweder linear oder nichtlinear. Neuronen erzeugen Eingangs-, Ausgangs- und versteckte Ebenen. Der Begriff »tief« bezieht sich auf die Anzahl der ausgeblendeten Schichten zwischen den Ein- und Ausgabeschichten. Wenn es mehr als eine versteckte Schicht gibt, nennen wir solche neuronalen Netze tief. Mit einer versteckten Schicht können wir den Begriff »flach« verwenden. Das neuronale Netz empfängt also Daten auf der Eingangsschicht, transformiert sie nichtlinear zwischen den versteckten Schichten und gibt die transformierten Daten am Ausgang zurück. Die Verbindungsstärke zwischen den Neuronen bestimmen die den einzelnen Verbindungen zugeordneten Gewichte. Diese Gewichte sind die unbekannten Parameter eines Modells. Ihr optimaler Wert entspricht dem Fall, wenn das Modell die Daten am genauesten beschreibt.

Wie sieht so ein Netz aus?

In einem typischen neuronalen Netz kann es Hunderte von Millionen dieser einstellbaren Gewichte geben. Es gibt eine Vielzahl von neuronalen Netzwerkarchitekturen, die sich a) in der Art und Weise unterscheiden, wie Neuronen in Schichten organisiert sind, b) in der Anzahl dieser Schichten und c) in der Verbindung zwischen Neuronen.

 

Verschiedene Architekturen eignen sich für die Lösung spezifischer Probleme. Nach den Daten, die dem neuronalen Netz zugeführt werden, lassen sich die Lernaufgaben in drei große Gruppen einteilen:

  • Überwachtes Lernen, wenn das Netzwerk mit beschrifteten Daten trainiert wird. Die Eingabedaten werden markiert.
  • Unüberwachtes Lernen, wenn die für Netzwerke bereitgestellten Daten nicht manuell markiert werden
  • Semi-überwachtes Lernen, wenn die Ergebnisse des unbeaufsichtigten Modells zum Trainieren eines Netzwerks verwendet werden.

Wo in der Medizin kommen sie zum Einsatz?

Traditionell punkten neuronale Netze im Bereich der Bilderkennung. Als extraordinäres Beispiel dient der Algorithmus CheXNet, der über 100.000 Röntgenaufnahmen analysierte und Radiologen bei der Erkennung von Lungenentzündungen deutlich übertraf. Das neuronale Netz enthält 121 versteckte Schichten. Auch bei Medikamentenentwicklung spielen KNN ihre Stärken aus. Die Menge der chemischen Verbindungen, die bei der Suche nach neuen Medikamenten Berücksichtigung finden, ist enorm. Einige empirische Regeln helfen diese Anzahl zu reduzieren, doch reichen sie nicht an neuronale Netze. In einer aktuellen Studie analysierte ein neuronales Netzwerk über 70 Millionen Verbindungen, um 69 Verbindungen mit vorhergesagter Anti-Krebs-Aktivität zu finden.

Wie jedes Verfahren haben auch KNN ihre Vor- und Nachteile. Können Sie die kurz benennen?

KNN sind enorm leistungsfähig und effizient bei der Lösung verschiedener Aufgaben. Allerdings benötigen sie sehr große Datenmengen und aufwendige, kostenintensive Schulungen. Hinzu kommt, dass neuronale Netz noch immer Black Boxes sind. Die Forschung unternimmt erhebliche Anstrengungen, um den Funktionsmechanismus der Netze für die Interpretation transparenter zu machen. Aber: Die Merkmale, die neuronale Netzen entdecken, vermag der Menschen nicht zu interpretieren. Die Gesetze, die den Prozess der Musterfindung regeln, bleiben unklar. Dies steht im Gegensatz zu einem klassischen maschinellen Lernen, bei dem in den meisten Fällen Algorithmen von menschlichen Experten erklärt und verstanden werden können. Ein weiterer kniffliger Moment stellt die Anzahl der Parameter dar. Sie kann riesig

 

sein – Hunderte von Millionen. Wie kann diese unfassbare Menge optimal an die komplexen Daten angepasst werden?

Zum Abschluss: Künstliche Intelligenz ist eine der Schlüsseltechnologien, wenn es darum geht, die Medizin der Zukunft mitzugestalten. Wie sieht diese dank KI Ihrer Meinung nach aus?

KI greift Menschen unter die Arme, wenn es darum geht, die Datenflut zu beherrschen, zu analysieren und nach versteckten Beziehungen zu suchen. Manche Wissenschaftler vermuten, damit das Leben verlängern zu können. Ein Alter von 150 Jahren betrachten einige als durchaus möglich! Aber ob 100 oder 150 – die zusätzlichen Jahre erleben wir in Zukunft weniger gebeutelt von Krankheiten. KI hilft uns, die Medizin verfügbarer, treffender und personalisierter zu machen.

Vielen Dank für das Gespräch!

Anmerkung: Dieses Interview gehört zum Beitrag »Nicht alle Tätigkeiten lassen sich automatisieren«, welches in der Medizin+elektronik Nr. 5 am 10. September 2018 erscheint.

Auf Facebook teilenAuf Twitter teilenAuf Linkedin teilenVia Mail teilen

Das könnte Sie auch interessieren

Jeder Zweite möchte Künstliche Intelligenz verstehen
Im Alltag schon längst angekommen
Neue Wege bei der Brustkrebserkennung

Verwandte Artikel

NoName Company