Page - 163 - in Künstliche Intelligenz - Technologie | Anwendung | Gesellschaft

iit-Themenband – Künstliche Intelligenz 163 Jahr 2014 ca. 2,5 Millionen durch Peer-Reviews beurteilte Artikel in Fachzeitschriften publiziert. Die Anzahl von veröffentlichten Artikeln und Fachzeitschriften ist über die letzten Jahrzehnte durchschnittlich um drei  Prozent jährlich gewachsen; ein Großteil dieser Veröffentlichungen entsteht im medizinischen Bereich (Ware und Mabe 2015). Grund dafür ist eine generelle Expansion des Wissenschaftsbetriebs und demzufolge eine steigende Anzahl an Wissenschaftlerinnen und Wissenschaftlern. Es ist anzunehmen, dass zwar mit einer Vervielfachung der verfügbaren Daten zu rechnen ist, das daraus tatsächlich abgeleitete Wissen in Form von Publikationen jedoch moderater wachsen wird. Die fortschreitende Vernetzung und der bessere Austausch der wissenschaftlichen Ergebnisse wird jedoch – wie bereits in den ver- gangenen Jahrzehnten – dazu führen, dass immer mehr Wissen individuell verfügbar sein wird. Das bedeutet allerdings, dass der Einzelne kaum mehr dazu in der Lage sein wird, stets auf der Höhe des aktuellen Wissensstands zu handeln. Das medizinische Wissen hat schon jetzt einen Umfang erreicht, der es den Ärzten sowie dem Personal medizinischer Einrichtungen fast unmöglich macht, immer auf dem Laufenden zu bleiben. Für Ärzte ist es schwierig, sämtliche Behandlungsstrate- gien und deren Anwendungsfälle gleichermaßen zu kennen und anzuwenden. Hinzu kommt, dass mit der schnellen Vermehrung des medizinischen Wissens vermeintliche Gewissheiten von heute auf morgen veralten können. Abhilfe könnten KI-gestützte Programme schaffen, welche anhand von selbstlernenden Algorithmen stets die neuesten Erkenntnisse einbeziehen. Übung macht den Meister: maschinelles und tiefes Lernen Die immensen Fortschritte der KI in den vergangenen Jahren beruhen im Wesentlichen auf einer Kombination des überwachten Lernens (Supervised Learning) mit der Nut- zung von Ansätzen des tiefen Lernens. In diesem Zusammenspiel wird ein Trainingsda- tensatz als Ausgangsbasis für die Optimierung eines Algorithmus verwendet. Je größer der zugrundeliegende Datensatz, desto präziser kann der Algorithmus arbeiten. Dabei werden KI-Methoden insbesondere im Bereich der Analyse von großen unstrukturier- ten und schnelllebigen Daten (Big Data) große Hoffnungen zugeschrieben. KI kann also dazu beitragen, große Datenmengen hinsichtlich statistischer Zusammenhänge zu untersuchen, und somit helfen, neue wissenschaftliche Erkenntnisse zu gewinnen – beispielsweise zur Vorhersage von Therapieauswirkungen, als klinische Entscheidungs- hilfe und in der Überwachung der Medikamentensicherheit (Lee und Yoon 2017). Bis- her steht jedoch die hierfür notwendige bioinformatische Auswertung und praktische Nutzung komplexer Datenmengen noch ziemlich am Anfang. So kann zwar das menschliche Erbgut für weniger als 1.000 US-Dollar sequenziert werden, aber nur ein Bruchteil der dabei anfallenden riesigen Datenmengen lässt sich bisher im Zusammen- hang mit einer Krankheit richtig interpretieren und im Sinne einer personalisierten