Zusammenfassung
Hintergrund
Die Methoden des maschinellen Lernens und der künstlichen Intelligenz (KI) etablieren sich langsam aber sicher im medizinischen Alltag. Zukünftig werden sie uns bei Diagnose und Therapie unterstützen und so die Behandlung zum Wohl des Patienten verbessern. Es ist daher wichtig, sich mit diesem Thema auseinanderzusetzen und ein Grundverständnis dafür zu entwickeln.
Ziel der Arbeit
Dieser Artikel soll einen Überblick über das spannende und dynamische Feld des maschinellen Lernens geben und als Einführung in Methoden, v. a. des überwachten Lernens, dienen. Neben Definitionen und einfachen Beispielen werden auch Limitationen diskutiert.
Schlussfolgerung
Die Grundprinzipien der Methoden sind einfach. Dennoch sind die Gründe für eine Entscheidung häufig durch ihre hochdimensionale Natur nicht oder nur schwer durch den Menschen nachvollziehbar. Um Vertrauen in die neuen Technologien aufzubauen und eine sichere Anwendung zu garantieren, benötigen wir nachvollziehbare Algorithmen und prospektive Wirksamkeitsstudien.
Abstract
Background
The methods of machine learning and artificial intelligence are slowly but surely being introduced in everyday medical practice. In the future, they will support us in diagnosis and therapy and thus improve treatment for the benefit of the individual patient. It is therefore important to deal with this topic and to develop a basic understanding of it.
Objectives
This article gives an overview of the exciting and dynamic field of machine learning and serves as an introduction to some methods primarily from the realm of supervised learning. In addition to definitions and simple examples, limitations are discussed.
Conclusions
The basic principles behind the methods are simple. Nevertheless, due to their high dimensional nature, the factors influencing the results are often difficult or impossible to understand by humans. In order to build confidence in the new technologies and to guarantee their safe application, we need explainable algorithms and prospective effectiveness studies.
Notes
Bei einem Algorithmus handelt es sich um eine eindeutige Handlungsvorschrift, eine Art Rezept, das aus endlich vielen, wohldefinierten Einzelschritten besteht. Zur Lösung einer Aufgabe wird mit Hilfe eines Algorithmus eine definierte Eingabe in eine definierte Ausgabe überführt.
Regression bezeichnet die Vorhersage eines quantitativen Werts, beispielsweise eines Laborparameters.
Literatur
Bryan RN (2016) Machine learning in radiology. RSNA News 26:4–6
Cybenko G (1989) Approximation by superpositions of a sigmoidal function. Math Control Signals Syst 2:303–314. https://doi.org/10.1007/BF02551274
Dechter R (1986) Learning while searching in constraint-satisfaction-problems. In: Proc. Fifth AAAI Natl. Conf. Artif. Intell. AAAI Press, S 178–183, https://dl.acm.org/citation.cfm?id=2887799, Philadelphia, Pennsylvania, 11–15 August 1986
Dewey M, Wilkens U (2019) The bionic radiologist: avoiding blurry pictures and providing greater insights. Npj Digit Med 2:65. https://doi.org/10.1038/s41746-019-0142-9
FeatureCloud https://featurecloud.eu/. Zugegriffen: 17. Sept. 2019
Grace K, Salvatier J, Dafoe A et al (2018) Viewpoint: when will aI exceed human performance? Evidence from aI experts. J Artif Intell Res 62:729–754. https://doi.org/10.1613/jair.1.11222
Isensee F, Petersen J, Kohl SAA et al (2019) nnU-Net: Breaking the Spell on Successful Medical Image Segmentation
Joint Imaging Platform https://jip.dktk.dkfz.de/jiphomepage/. Zugegriffen: 3. Sept. 2019
Jones N (2014) Computer science: the learning machines. Nature 505:146. https://doi.org/10.1038/505146a
Kleesiek J, Murray JM, Kaissis GA, Braren R (2020) Künstliche Intelligenz und Maschinelles Lernen in der onkologischen Bildgebung. Onkologe. https://doi.org/10.1007/s00761-019-00679-4
Murray JM, Kaissis G, Braren R, Kleesiek J (2019) Wie funktioniert Radiomics? Radiologe. https://doi.org/10.1007/s00117-019-00617-w
Rich E (1983) Artificial intelligence. McGraw-Hill Inc, US. ISBN 10: 0-070-52261-8
van Soest J, Sun C, Mussmann O et al (2018) Using the personal health train for automated and privacy-preserving analytics on vertically partitioned data. Stud Health Technol Inform 247:581–585
Topol EJ (2019) Deep medicine: how artificial intelligence can make healthcare human again, 1. Aufl. Basic Books, Hachette Book Group, New York
Topol EJ (2019) High-performance medicine: the convergence of human and artificial intelligence. Nat Med 25:44–56. https://doi.org/10.1038/s41591-018-0300-7
What is NFDI4Life Umbrella? https://www.nfdi4life.de/. Zugegriffen: 17. September 2019
Who Invented Backpropagation? http://people.idsia.ch/~juergen/who-invented-backpropagation.html. Zugegriffen: 18. September 2019
Xia Q, Sifah EB, Asamoah KO et al (2017) MeDshare: trust-less medical data sharing among cloud service providers via Blockchain. IEEE Access 5:14757–14767. https://doi.org/10.1109/ACCESS.2017.2730843
Danksagung
Wir danken Frau Dr. Bettina Beuthien-Baumann für wertvolle Kommentare zum Manuskript.
Author information
Authors and Affiliations
Corresponding author
Ethics declarations
Interessenkonflikt
J. Kleesiek, J.M. Murray, C. Strack, G. Kaissis und R. Braren geben an, dass kein Interessenkonflikt besteht.
Für diesen Beitrag wurden von den Autoren keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.
Rights and permissions
About this article
Cite this article
Kleesiek, J., Murray, J.M., Strack, C. et al. Wie funktioniert maschinelles Lernen?. Radiologe 60, 24–31 (2020). https://doi.org/10.1007/s00117-019-00616-x
Published:
Issue Date:
DOI: https://doi.org/10.1007/s00117-019-00616-x