Hengstschläger: Personalisierte Medizin geht nur mit KI

Der Humangenetiker Hengstschläger erklärt, dass die Umsetzung einer personalisierten Medizin ohne den Einsatz von Künstlicher Intelligenz technisch nicht realisierbar ist. Die Analyse individueller genetischer Profile erfordert die Verarbeitung massiver Datenmengen, die über die Kapazitäten menschlicher Experten hinausgehen. KI-Modelle sind laut dieser Einschätzung essenziell für die Identifizierung biologischer Muster.

Die Datenlast der modernen Genetik

Die Identifizierung von Mutationen, die Krankheiten wie Krebs oder seltene Erbkrankheiten auslösen, erfordert den Vergleich dieser Sequenzen mit riesigen Referenzdatenbanken. Dieser Prozess des sogenannten „Variant Callings“ – also das Feststellen von Abweichungen zwischen der Probe des Patienten und einem Standardgenom – ist hochkomplex. Es gilt, echte biologische Mutationen von technischen Fehlern oder Rauschen in den Sequenzierdaten zu unterscheiden.

Hengstschläger weist darauf hin, dass herkömmliche Methoden zu langsam sind, um klinisch relevante Erkenntnisse in der Geschwindigkeit zu liefern, die für akute Behandlungsentscheidungen notwendig ist. Die schiere Menge an Informationen aus der Genomik, Proteomik und Metabolomik erzeugt eine Komplexität, die eine manuelle Auswertung durch Mediziner unmöglich macht. Während die Genomik die DNA untersucht, befasst sich die Proteomik mit den Proteinen und die Metabolomik mit den Stoffwechselprodukten. Erst die Kombination dieser verschiedenen „Omics“-Ebenen zu einem ganzheitlichen biologischen Bild ermöglicht ein tiefes Verständnis des Gesundheitszustands eines Individuums.

Mustererkennung durch maschinelles Lernen

KI-Systeme, insbesondere Deep-Learning-Modelle, übernehmen die Aufgabe, Anomalien in den Sequenzdaten zu finden. Diese Algorithmen können Korrelationen zwischen spezifischen genetischen Varianten und dem Ansprechen auf bestimmte Medikamente erkennen. Im Gegensatz zu rein statistischen Modellen können neuronale Netze nicht-lineare Zusammenhänge erfassen, die in den komplexen Interaktionen der Genexpression verborgen liegen.

Ein wesentlicher Vorteil besteht in der Fähigkeit der KI, das „Rauschen“ in den Daten zu filtern. Da Sequenzierprozesse nicht fehlerfrei sind, müssen Algorithmen lernen, zwischen einem echten biologischen Signal und einem technischen Artefakt zu unterscheiden. Durch das Training mit Millionen bekannter Sequenzen können diese Modelle eine Präzision erreichen, die bei der manuellen Inspektion von Daten unmöglich wäre.

Die Komplexität der Interaktion zwischen Genen und Umweltfaktoren lässt sich nur durch die Rechenleistung moderner KI-Modelle bewältigen. Dr. Hengstschläger, Humangenetiker

Anwendung in der Onkologie

In der Onkologie ermöglicht die Kopplung von Genomdaten mit KI-gestützten Analysen die Entwicklung maßgeschneiderter Therapien. Anstatt Standardmedikamente zu verabreichen, können Ärzte Behandlungen auswählen, die auf das spezifische Mutationsprofil eines Tumors abgestimmt sind. Dies wird oft als Präzisionsonkologie bezeichnet. Durch die gezielte Ansprache von treibenden Mutationen können Therapien effektiver gestaltet werden, was die Nebenwirkungen für den Patienten reduziert und die Wahrscheinlichkeit eines Therapieerfolgs erhöht.

Die KI hilft dabei, auch subtile Veränderungen in der Tumorevolution zu erkennen, die für die Resistenzbildung gegen Medikamente verantwortlich sind. Tumore sind keine statischen Gebilde; sie unterliegen einer kontinuierlichen klonalen Evolution. Das bedeutet, dass innerhalb eines Tumors verschiedene Zellpopulationen mit unterschiedlichen genetischen Eigenschaften existieren können – ein Phänomen, das als Tumorheterogenität bekannt ist. KI-Modelle können diese Heterogenität analysieren und vorhersagen, welche Zellklone wahrscheinlich gegen eine aktuelle Behandlung resistent sein werden, sodass Ärzte frühzeitig auf alternative Strategien reagieren können.

Regulatorische und ethische Herausforderungen

Die Integration von KI in die klinische Praxis bringt technische und rechtliche Fragen mit sich. Die Qualität der KI-Entscheidungen hängt direkt von der Repräsentativität der Trainingsdaten ab. Wenn die verwendeten Datensätze bestimmte ethnische Gruppen unterrepräsentieren, entstehen Verzerrungen in den Ergebnissen, die die medizinische Versorgung benachteiligen können. Dies kann dazu führen, dass Algorithmen für bestimmte Bevölkerungsgruppen ungenauere Vorhersagen treffen, was die globale gesundheitliche Chancengleichheit gefährdet.

Ein zentrales technisches Problem ist das sogenannte „Black-Box-Phänomen“. Viele Deep-Learning-Modelle sind so komplex, dass selbst ihre Entwickler nicht im Detail nachvollziehen können, wie das System zu einer bestimmten Diagnose oder Empfehlung gelangt ist. In der Medizin ist diese mangelnde Interpretierbarkeit problematisch. Daher rückt das Forschungsfeld der „Explainable AI“ (XAI) in den Fokus, das darauf abzielt, KI-Entscheidungen für Mediziner transparent und nachvollziehbar zu machen.

Der Datenschutz stellt eine weitere Hürde dar. Die Verarbeitung hochsensibler genetischer Informationen erfordert extrem sichere Infrastrukturen, um die Anonymität der Patienten zu gewährleisten. Da genetische Daten im Grunde der ultimative biometrische Identifikator sind, müssen technische Schutzmaßnahmen wie Verschlüsselung und kontrollierte Datenzugriffe strengsten regulatorischen Anforderungen entsprechen. Die regulatorischen Behörden müssen zudem Wege finden, die Transparenz von KI-Entscheidungen zu garantieren, damit Ärzte die Grundlage einer computergestützten Diagnose nachvollziehen können und die Letztentscheidungskompetenz über die Behandlung stets beim Menschen verbleibt.

Find more reporting in our Technik und Wissenschaft section.