Was ist Machine Learning? Definition, Bedeutung und Einsatz in der Medizin

Was ist Maschinelles Lernen?

Unter Maschinellem Lernen (Machine Learning) ist der Erwerb neuen Wissens zu verstehen, der durch ein künstliches System entsteht. Der Computer generiert analog - wie ein Mensch - selbstständig Wissen aus Erfahrung und kann eigenständig Lösungen für neue und unbekannte Probleme finden.

Der Begriff "Maschinelles Lernen" ist als ein Teilgebiet der Künstlichen Intelligenz (KI) (Engl.: Artificial Inteligence (AI)) einzuordnen, die Maschinen dazu befähigt, Aufgaben „intelligent“ auszuführen.[1]

Ein anverwandter Bereich und außerdem ein Teil der Künstlichen Intelligenz ist das Deep Learning. Deep-Learning Modelle sind in der Lage von sich aus zu lernen. Die Analyse wird im Vergleich zum Machine Learning der Maschine ohne Eingriff des Menschen vorgenommen.

Ein Computersystem soll mit großen Datenmengen gefüttert und nach einer Struktur suchen. Es werden Gesetzmäßigkeiten abgebildet, bei denen sich die Ergebnisse am Wissen von Experten oder an Naturgesetzen orientieren.[2]

Es gibt Regeln für die Analyse des Datenbestandes und das Erkennen der Muster. Sind passende Daten gesammelt und Regeln definiert, können Systeme maschinellen Lernens:

• für das Thema relevante Daten finden, extrahieren und zusammenfassen
• Vorhersagen aufgrund dieser Daten treffen
• Wahrscheinlichkeiten für bestimmte Ergebnisse berechnen
• sich selbstverständlich an Entwicklungen anpassen und erkannte Muster optimieren [3]

Nach der Beendigung einer Lernphase können die Erkenntnisse verallgemeinert werden. Die Lernsoftware wird danach wieder durch den Programmierer angepasst und optimiert. So kann das Modell mit jedem neuen Datensatz präzisiert werden.

Formen des Maschinellen Lernens

Es gibt vier verschiedene Formen des maschinellen Lernens, die jeweils verschiedene algorithmische Techniken verwenden, die abhängig von der Art der Daten und dem gewünschten Ergebnis angewendet werden: das Überwachte Lernen (Supervised Learning), das Unüberwachte Lernen (Unsupervised Learning), das Teilüberwachte Lernen (Semi-supervised Machine Learning) und das Bestärkende Lernen (Reinforcement Learning).

• Überwachtes Lernen
  Beim überwachten Lernen lernt die Maschine anhand von Beispielen. Überwachte Lernmodelle bestehen aus Ein- und Ausgaben, also „Input“- und „Output“-Datenpaaren. Angenommen, das Ziel besteht darin, dass die Maschine den Unterschied zwischen zwei Hunderassen erkennt. Ein binäres Input-Datenpaar enthält Bilder beider Hunderassen. Das gewünschte Ergebnis für die eine Hunderasse wird hier bereits als das richtige Ergebnis identifiziert. Über einen Algorithmus sammelt das System im Laufe der Zeit all diese Trainingsdaten und beginnt mit der Ermittlung von Ähnlichkeiten und Unterschieden und anderen logischen Verknüpfungen – bis es die Antworten auf die Bestimmung der Hunderasse selbst ermitteln kann.
• Unüberwachtes Lernen
  Die Maschine untersucht beim unüberwachten Lernen Eingabedaten – von denen viele unbeschriftet und unstrukturiert sind – und beginnt unter Verwendung aller relevanten, zugänglichen Daten mit der Erkennung von Mustern und Korrelationen. Die Maschine agiert ähnlich dem menschlichen Gehirn bzw. der menschlichen Intelligenz, auch sie nutzt Intuition und Erfahrung, um Dinge zusammenzufassen. Je mehr „Erfahrungen“ sie bekommt, desto genauer wird die Fähigkeit zu kategorisieren und zu identifizieren.
• Teilüberwachtes Lernen
  Das teilüberwachte Lernen wird als Lösung für riesige Mengen an unbeschrifteten und unstrukturierten Daten angewendet. Kleine Mengen von beschrifteten Daten werden eingegeben, um Daten ohne Bezeichnung „aufzuwerten“. Diese beschrifteten Daten dienen als Starthilfe für das System und können die Lerngeschwindigkeit und Genauigkeit erheblich verbessern.
• Bestärkendes Lernen
  Das Modell für das bestärkende Lernen ermöglicht das Lernen anhand von Beispielen. Dazu werden dem Programm zulässige Aktionen, Regeln und potenzielle Endzustände vorgegeben. In Fällen, in denen das gewünschte Ergebnis veränderbar ist, muss das System jedoch durch Erfahrung und "Belohnung" lernen. Bei den Modellen für bestärkendes Lernen ist die „Belohnung“ numerisch. Sie ist im Algorithmus als etwas programmiert, das das System „erfassen“ möchte. [4]

Bedeutung von maschinellem Lernen in der Medizin

Es gibt kaum einen Bereich, der nicht von künstlicher Intelligenz und somit auch von maschinellem Lernen transformiert wird. Auch in der Medizin spielt die Künstliche Intelligenz und somit auch das Maschinelle Lernen eine wichtige Rolle.

Durch Maschinelles Lernen soll die Künstliche Intelligenz dazu trainiert werden, Bildaufnahmen und klinische Daten von Patienten zu analysieren. Mit der Nutzung von KI-Technologien wird sich die Arzt-Patienten-Konsultation verändern. Mit großen Mengen medizinischer Daten können Krankheiten besser erkannt und verstanden werden. Das betrifft vor allem auch den Bereich der Krebsdiagnostik.

*In diesem Text haben wir aus Gründen der besseren Lesbarkeit das generische Maskulinum verwendet. Hiermit möchten wir ausdrücklich darauf hinweisen, dass wir uns damit gleichermaßen auf männliche, weibliche und andere Geschlechteridentitäten beziehen.