Dafür wird in der KI das Verstärkungslernen integriert. So konnte die Rate der von Dermatologen gestellten korrekten Hautkrebsdiagnosen um zwölf Prozentpunkte gesteigert werden. Ziel der Studie war zu erheben, ob menschliche Präferenzen das Potenzial haben, die auf KI basierende Entscheidungsunterstützung bei der Hautkrebsdiagnose zu verbessern. Die Studie ist in der Fachzeitschrift „Nature Medicine“ erschienen.
Als Mittel zum Zweck untersuchten Wiener Forscherinnen und Forscher der MedUni Wien das Verstärkungslernen (Reinforcement Learning). Auch Auswirkungen menschlicher Entscheidungen sind nun im System integriert. Das geschah konkret über „Belohnungstabellen“, die die positiven und negativen Folgen klinischer Bewertung aus Sicht der Ärzte widerspiegelten, erläuterte Forscher Harald Kittler.
Diagnose Hautkrebs deutlich genauer
Auf dieser Grundlage wurden Ergebnisse der KI-Diagnose nicht nur mit richtig oder falsch bewertet, sondern abhängig von den Auswirkungen der Diagnose bzw. der daraus folgenden Entscheidungen mit einer bestimmten Anzahl von Plus- oder Minuspunkten „belohnt“ bzw. „bestraft“.
„So lernte die KI nicht nur bildbasierte Merkmale, sondern auch Konsequenzen von Fehldiagnosen in der Einschätzung von gutartigen und bösartigen Hauterscheinungen zu berücksichtigen“, so Kittler. Die Treffsicherheit der Diagnose Hautkrebs konnte „deutlich verbessert werden“, hieß es. Der Erfolg lässt sich, so die Forscher, auf die differenzierteren, „menschlicheren“ Vorschläge des KI-Systems zurückführen.
Menschliche Fehlentscheidungen berücksichtigt
Es gebe verschiedene Formen von Hautkrebs und verschiedene gutartige Veränderungen, die Hautkrebs imitieren können. „Das macht die Entscheidungsfindung so komplex“, sagte Kittler der APA. Jede Diagnosestellung sei mit einer anderen Entscheidung verknüpft, mit wiederum unterschiedlichen Auswirkungen auf den Patienten.
„Wir haben das komplexe Zusammenspiel der Wertigkeit eines Fehlers in die KI-Analyse mit einbezogen.“ Die KI werde normalerweise dahingehend trainiert, dass sie die Gesamtzahl der Fehler minimiert. Über das Verstärkungslernen habe man die Folgen diagnostischer Fehlentscheidungen berücksichtigt. Ein ähnliches methodisches Herangehen könnte laut Kittler helfen, Therapien zu verbessern.