Künstliche Intelligenz für die Protein-Diagnostik
Die Künstliche Intelligenz (KI) hat innerhalb weniger Jahre eine wichtige Rolle in der medizinischen Forschung eingenommen und ist in vielen Bereichen auf dem Weg, ein wichtiges Hilfsmittel in der Diagnostik zu werden. Für die in PRODI etablierten molekularen und analytischen Methoden ist die KI ein wichtiges Werkzeug, um das Potential der Ansätze in der Protein-Diagnostik voll ausschöpfen zu können.
KI deckt Krankheitsmuster auf. Die Signaturen krankheitsspezifischer molekularer Veränderungen liegen in biomedizinischen Daten oft in verdeckter Form vor und sind nicht direkt für diagnostische Zwecke zugänglich. Hier kommt die künstliche Intelligenz ins Spiel: Wenn in klinischen Studien hinreichend große Datenbestände gesammelt werden, lassen sich die entscheidenden Muster mit Techniken wie zum Beispiel dem sogenannten Deep Learning aufdecken und etwa zur Unterscheidung von Subtypen von Krebserkrankungen verwenden.
Unser Forschungsansatz. Der Forschungsschwerpunkt im Kompetenzbereich Bioinformatik liegt in der Etablierung von KI-Techniken, um Krankheitsmuster aufdecken und diagnostisch nutzen zu können. Unser Forschungsansatz beruht auf der Entwicklung von KI-Methoden mit dem Ziel, die Ausgabe von KI-Systemen molekular erklärbar zu machen.
Erklärbare künstliche Intelligenz. In vielen Anwendungen können Deep Learning Modelle mit sehr hoher Genauigkeit den Krankheitsstatus von Proben und Patienten in vorgegebene Kategorien einordnen. Allerdings sind die zugrundeliegenden neuronalen Netze zunächst eine „Black Box“: Das neuronale Netz liefert keine Erklärung, warum die Probe in eine bestimmte Kategorie eingeordnet wurde. Dies führt auf das Gebiet der Erklärbaren künstlichen Intelligenz, die in Anlehnung an den englischsprachigen Begriff der Explainable Artifical Intelligenz auch oft kurz als XAI bezeichnet wird. Die erklärbare künstliche Intelligenz hat sich in den vergangenen Jahren zu einem eigenen Forschungsgebiet innerhalb der künstlichen Intelligenz entwickelt.
Molekular erklärbares Deep Learning. Die KI-Entwicklung im Kompetenzbereich Bioinformatik ist eng verzahnt mit der experimentellen und molekularen Forschung in anderen Kompetenzbereichen des PRODI. Dies ermöglicht einen dedizierten Forschungsansatz: Die von KI-Methoden lokalisierten Krankheitsmuster lassen sich molekular weiter charakterisieren. Hierdurch können wir die Ausgabe von KI-Methoden mit experimentell untersuchbaren Hypothesen verbinden. Diese Hypothesen liefern somit eine molekulare Erklärung der Ausgabe von KI-Systemen. Weil diese Erklärungen experimentell untersuchbar sind, erfüllen sie in besonderem Maße das Hauptziel der erklärbaren künstlichen Intelligenz, nämlich das Vertrauen in die KI-basierte Klassifikation zu untermauern. Dieser Ansatz ist besonders geeignet für die Infrarot-Mikroskopie: Weil diese Label-frei abreitet, sind nachgelagerte molekulare Charakterisierungen besonders einfach durchführbar.
Falsifizierbare Erklärungen im maschinellen Lernen. Der Ansatz der molekular interpretierbaren künstlichen Intelligenz folgt einem allgemeinerem Schema der falsifizierbaren Erklärungen von Maschinellen Lern-Systemen. Bei diesem Ansatz steht eine Hypothese im Mittelpunkt, welche die klassifizierte Probe in Zusammenhang bringt mit einer Ausgabe, die von einem maschinellen Lern-System inferiert wird.