Auf der diesjährigen 20. Jahrestagung Molekulare Diagnostik stand die Frage im Mittelpunkt, wie Künstliche Intelligenz (KI) bereits heute zur Transformation der Labordiagnostik beiträgt und welche Entwicklungen künftig zu erwarten sind. Die Tagung, die auf den Übergang von der wissenschaftlichen Forschung in die Routinediagnostik fokussierte, wurde vom Kompetenzfeld Molekulare Diagnostik mit seinen fünf Sektionen – Genomics, Bioinformatik, NMR-Spektroskopie, Proteomics & Metabolomics sowie Klinische Massenspektrometrie – gemeinsam mit der Sektion Biobanking ausgerichtet.

Das Thema wurde in insgesamt 17 Vorträgen ausgewiesener Expertinnen und Experten aus Wissenschaft, Laboratoriumsmedizin und Industrie aus unterschiedlichen Perspektiven beleuchtet. Der überwiegende Teil der vorgestellten Anwendungen basierte auf klassischem „maschinellem Lernen“, das bereits heute arbeitsintensive Routineauswertungen im Labor unterstützt – etwa bei der Klassifikation von Bild- und Datensätzen, der Integration molekularer Daten oder der Analyse komplexer Spektren.

Demgegenüber gibt es bislang nur wenige Beispiele dafür, dass Verfahren des „deep learnings“, die auf mehrschichtigen neuronalen Netzen beruhen, bereits Eingang in die Routinediagnostik gefunden haben. Gerade hier zeichnet sich jedoch ein erhebliches Potenzial ab, vor allem bei der Einordnung von Laborbefunden in den klinischen Kontext sowie bei der Analyse komplexer oder multimodaler Bild- und Datenmengen. Insbesondere in der benachbarten Disziplin der Pathologie deutet der Einsatz von „Foundation-Modellen“, einer bestimmten Art großer Modelle die mit Deep-Learning-Verfahren unter Verwendung sehr großen Datenmengen vortrainiert trainiert werden, auf einen beachtlichen Mehrwert hin, wie Professor Dr. Frederick Klauschen von der LMU München in seiner Keynote Lecture eindrucksvoll demonstrierte.

Als zentraler Aspekt beim Einsatz zunehmend komplexer KI-Modelle in Labordiagnostik und Medizin kristallisierte sich auf der Tagung die Notwendigkeit heraus, dass die Ergebnisse nachvollziehbar und plausibilisierbar bleiben müssen. Hier wird der sogenannten „erklärbaren KI“ künftig eine Schlüsselrolle zukommen. Erklärbare KI beschreibt Systeme, die ihre Entscheidungen für Menschen verständlich erklären können, sodass Ärzte und Wissenschaftler nachvollziehen können, auf welcher Grundlage eine KI zu einem bestimmten Ergebnis gelangt ist. Denn letztlich wird – zumindest aus heutiger Sicht – weiterhin immer ein Mensch die finale rechtliche Verantwortung für einen Laborbefund tragen.

Verfasser:

Univ.-Prof. Dr. med. Daniel Teupser

Sprecher des Kompetenzfelds Molekulare Diagnostik der DGKL

Direktor des Instituts für Laboratoriumsmedizin, LMU Klinikum, LMU München

Redaktion: X-Press Journalistenbüro GbR

Gender-Hinweis. Die in diesem Text verwendeten Personenbezeichnungen beziehen sich immer gleichermaßen auf weibliche, männliche und diverse Personen. Auf eine Doppel/Dreifachnennung und gegenderte Bezeichnungen wird zugunsten einer besseren Lesbarkeit verzichtet.