Ein Realitätscheck für die KI-Ambitionen von IBM

IBM, Nummer 39 auf unserer Liste der 50 intelligentesten Unternehmen, hat sein maschinelles Lernsystem Watson überbewertet, aber das Unternehmen könnte immer noch den besten Zugang zu den Daten haben, die erforderlich sind, um die Medizin viel intelligenter zu machen. Durch

• David H. Freedman Archivseite

27. Juni 2017

Leonhard Greco

Paul Tang war mit seiner Frau kurz nach ihrer Kniegelenkersatzoperation im Krankenhaus, ein Eingriff, der jedes Jahr an etwa 700.000 Menschen in den USA durchgeführt wird. Der Chirurg kam vorbei, und Tang, der selbst Hausarzt ist, fragte, wann er angesichts seiner Erfahrung mit Patienten wie ihr erwarte, dass sie wieder zu ihren normalen Routinen zurückkehre. Der Chirurg gab immer wieder vage Nicht-Antworten. Endlich hat es mich getroffen, sagt Tang. Er wusste es nicht. Tang würde bald erfahren, dass die meisten Ärzte nicht wissen, wie es ihren Patienten im Alltag zu Hause und bei der Arbeit geht — die Maßnahmen, die für die Patienten am wichtigsten sind.

Tang sieht Patienten immer noch als Arzt, aber er ist auch Chief Health Transformation Officer für IBMs Watson Health (siehe „50 Smartest Companies 2017“). Das ist die Geschäftsgruppe, die Gesundheitsanwendungen für Watson entwickelt, das maschinelle Lernsystem, das IBM im Wesentlichen ist Wetten auf seine Zukunft. Watson könnte Informationen liefern, die Ärzte jetzt nicht bekommen, sagt Tang. Es könnte einem Arzt zum Beispiel sagen, wie lange es dauerte, bis Patienten wie Tangs Frau schmerzfrei gehen oder Treppen steigen konnten. Es könnte sogar helfen, Bilder und Gewebeproben zu analysieren und die besten Behandlungen für einen bestimmten Patienten zu bestimmen.

Diese Geschichte war Teil unserer Juli-Ausgabe 2017

• Siehe den Rest des Problems
• Abonnieren

Aufgrund solcher Möglichkeiten ist das Gesundheitswesen eines der heißesten Segmente des Marktes für maschinelle Lerntechnologien. Das Forschungsunternehmen CB Insights zählt mindestens 106 Startups, die seit 2013 entstanden sind und immer noch im Geschäft sind.

Keines dieser Unternehmen hat auch nur annähernd die Aufmerksamkeit auf sich gezogen, die Watson dank seines Sieges in der Fernsehquizshow hat Gefahr! im Jahr 2011 und seitdem eifriges Marketing von IBM. Aber in letzter Zeit war ein Großteil der Presse für Watson schlecht. Eine stark beworbene Zusammenarbeit mit dem M.D. Anderson Cancer Center in Houston scheiterte dieses Jahr. Da die Einnahmen von IBM in Ohnmacht gefallen sind und der Aktienkurs schwankte, haben Analysten in Frage gestellt, wann Watson tatsächlich viel Wert liefern wird. Watson sei ein Witz, sagte Chamath Palihapitiya, ein einflussreicher Tech-Investor, der die VC-Firma Social Capital gründete CNBC im Mai.

Der größte Teil der Kritik an Watson, sogar von M. D. Anderson, scheint jedoch nicht auf einen bestimmten Fehler in der Technologie zurückzuführen zu sein. Stattdessen ist es eine Reaktion auf IBMs allzu optimistische Behauptungen, wie weit Watson inzwischen sein würde. Tatsächlich scheint es immer noch wahrscheinlich, dass Watson Health führend bei der Anwendung von KI auf die Probleme des Gesundheitswesens sein wird. Auch wenn Watson in dieser Richtung noch nicht viel erreicht hat, liegt ein wichtiger Grund darin, dass bestimmte Arten von Daten trainiert werden müssen. Und in vielen Fällen sind solche Daten sehr knapp oder schwer zugänglich. Das ist kein Watson-spezifisches Problem. Es ist ein Catch-22 für den gesamten Bereich des maschinellen Lernens für das Gesundheitswesen.

Obwohl das Problem fehlender und unzugänglicher Daten Watson verlangsamen kann, kann es den Konkurrenten von IBM mehr schaden. Das liegt daran, dass der beste Weg, um die Daten zu erhalten, in engen Partnerschaften mit großen Gesundheitsorganisationen liegt, die technologisch tendenziell konservativ sind. Und eine Sache, die IBM im Vergleich zu Startups oder sogar riesigen Konkurrenten wie Apple und Google immer noch sehr gut macht, ist, das Vertrauen von Führungskräften und IT-Managern großer Organisationen zu gewinnen. Ungeachtet der spezifischen Probleme mit dem M.D. Anderson-Projekt hat IBM einen entscheidenden Vorteil. Es bringt Watson in eine Vielzahl von medizinischen Zentren, Gesundheitsverwaltungsgruppen und Life-Science-Unternehmen, die alle in der Lage sind, die kritischen Daten bereitzustellen, die zur Gestaltung der Zukunft der KI in der Medizin erforderlich sind.

Unrealistische Zeitpläne

Die Trennung von M.D. Anderson schien zu zeigen, dass IBM an seinem eigenen Hype um Watson erstickte.

Das Krebszentrum und IBM gingen 2012 eine Partnerschaft ein. Ziel war es, dass Watson Daten über die Symptome, Gensequenzen und Pathologieberichte von Patienten liest, sie mit ärztlichen Notizen zum Patienten und relevanten Zeitschriftenartikeln kombiniert und den Ärzten dann bei der Erstellung hilft Diagnosen und Behandlungen. Aber sowohl IBM als auch M.D. Anderson haben die Erwartungen an die Technologie übertrieben. IBM behauptet im Jahr 2013, dass eine neue Ära des Computers entstanden ist und gegeben hat Forbes den Eindruck, dass Watson befasst sich jetzt mit klinischen Studien und würde in nur wenigen Monaten bei Patienten im Einsatz sein. Im Jahr 2015 die Washington Post zitierte einen Manager von IBM Watson, der beschrieb, wie Watson damit beschäftigt war, ein kollektives Intelligenzmodell zwischen Maschine und Mensch zu etablieren. Der Post sagte, dass das Computersystem zusammen mit Ärzten trainierte, das zu tun, was sie nicht können.

Das Gesundheitswesen ist ein beschämender Spätanwender von Technologie, sagt Manish Kohli, ein Arzt und Experte für Gesundheitsinformatik an der Cleveland Clinic.

Im Februar dieses Jahres gab die University of Texas, die M.D. Anderson leitet, bekannt, dass sie das Projekt eingestellt hatte, wodurch das medizinische Zentrum 39 Millionen Dollar an Zahlungen an IBM zurückließ — für ein Projekt, das ursprünglich mit 2,4 Millionen US-Dollar abgeschlossen wurde. Nach vier Jahren hatte es noch kein Instrument für den Einsatz bei Patienten hervorgebracht, das bereit war, über Pilotversuche hinauszugehen. M. D. Anderson wollte sich mir gegenüber nicht speziell zu Watson äußern, aber es scheint, dass die Probleme hauptsächlich von internen Kämpfen darüber herrührten, wie das Projekt verwaltet und finanziert wurde.

Das heißt nicht, dass IBM keine Probleme mit Watson hat. Tatsächlich sind sie größer als das, was eine einzelne Implementierung offenbart.

Um zu verstehen, was den Fortschritt verlangsamt, müssen Sie verstehen, wie maschinelle Lernsysteme wie Watson trainiert werden. Watson lernt, indem es seine internen Verarbeitungsroutinen ständig neu ausrichtet, um bei einigen Problemen den höchstmöglichen Prozentsatz richtiger Antworten zu erzielen, z. B. welche radiologischen Bilder Krebs erkennen lassen. Die richtigen Antworten müssen bereits bekannt sein, damit dem System mitgeteilt werden kann, wann es etwas richtig und wann etwas falsch macht. Je mehr Trainingsprobleme das System durchkauen kann, desto besser wird seine Trefferquote.

Das ist relativ einfach, wenn es darum geht, das System darauf zu trainieren, bösartige Erkrankungen im Röntgenbild zu erkennen. Aber für potenziell bahnbrechende Rätsel, die weit über das hinausgehen, was Menschen bereits tun, wie das Erkennen der Zusammenhänge zwischen Genvariationen und Krankheiten, hat Watson ein Henne-Ei-Problem: Wie trainiert es mit Daten, die noch kein Experte durchgesehen und richtig organisiert hat ? Wenn Sie einem selbstfahrenden Auto beibringen, kann jeder einen Baum oder ein Schild beschriften, damit das System lernen kann, es zu erkennen, sagt Thomas Fuchs, Computerpathologe am Memorial Sloan-Kettering, einem Krebszentrum in New York. Aber in einem spezialisierten Bereich der Medizin benötigen Sie möglicherweise Experten, die jahrzehntelang geschult wurden, um die Informationen, die Sie in den Computer einspeisen, richtig zu kennzeichnen.

Eine Version dieses Stolpersteins taucht in jedem Bereich auf, in dem IBM auf einen Beitrag von Watson hofft — wie es für die Machine-Learning-Lösung jedes Unternehmens gilt. Um Watson darin zu schulen, riesige Datenpools zu durchsuchen und die wenigen Informationen herauszuziehen, die für einen einzelnen Patienten wichtig sind, muss jemand dies zuerst von Hand tun, für Tausende und Abertausende von Fällen. Um mit Krankheiten verbundene Gene zu erkennen, benötigt Watson Tausende von Aufzeichnungen von Patienten, die an bestimmten Krankheiten leiden und deren DNA analysiert wurde. Aber diese Gen-und-Patientendaten-Kombinationen können schwer zu bekommen sein. In vielen Fällen liegen die Daten einfach nicht im richtigen Format vor — oder überhaupt in irgendeiner Form. Oder die Daten sind über Dutzende verschiedener Systeme verstreut und schwer zu verarbeiten.

Denken Sie beispielsweise an das Ziel, die Primärversorgung zu verbessern, indem Ärzten bessere Daten zur Verfügung gestellt werden. Wenn Ärzte bei einem routinemäßigen Besuch in der Grundversorgung die Chance verpassen, relativ geringfügige Probleme zu behandeln, bevor ein fortgeschritteneres Problem die Patienten in die Notaufnahme oder zu einem Spezialisten schickt, leidet ihre Gesundheit und die Kosten explodieren. Etwa ein Drittel jedes Dollars, der für die Gesundheit ausgegeben wird, ist wahrscheinlich unnötig, sagt Anil Jain, Chief Medical Officer von IBM Watson Health, der auch praktizierender Hausarzt ist. Maschinelles Lernen wird allgemein als Möglichkeit zur Lösung dieses Problems anerkannt.

Um Ärzten wirklich zu helfen, bessere Ergebnisse für Patienten zu erzielen, muss Watson jedoch Korrelationen zwischen dem, was es in den Krankenakten liest, und dem, was Tang alle sozialen Determinanten der Gesundheit nennt, finden. Zu diesen Faktoren gehören, ob die Patienten drogenfrei sind, die falschen Lebensmittel vermeiden, saubere Luft atmen und so weiter und so weiter. Tang räumt jedoch ein, dass heute fast keine Krankenhäuser oder Arztpraxen diese Daten zuverlässig für einen erheblichen Prozentsatz der Patienten erhalten. Ein Teil des Problems besteht darin, dass Krankenhäuser moderne, datengesteuerte Praktiken nur langsam eingeführt haben. Das Gesundheitswesen ist ein beschämender Spätanwender von Technologie, sagt Manish Kohli, ein Arzt und Experte für Gesundheitsinformatik an der Cleveland Clinic.

Wo die Daten vorhanden sind, ist IBM oft einfach losgezogen und hat sie gekauft. Es hat Unternehmen wie Truven Health Analytics, Explorys und Phytel übernommen, die alle im Umgang mit großen Datensätzen in Krankenhäusern und Patientenpopulationen aktiv waren. Und selbst nach dem Scheitern des M.D. Anderson-Deals hat IBM einige wichtige Partnerschaften, die den Zugriff auf Patientendaten fördern.

Einer von ihnen ist Atrius Health, ein Netzwerk von fast 900 Ärzten, hauptsächlich Hausärzten, in der gesamten Region Boston. Die Partnerschaft zielt darauf ab, ein Watson-basiertes System zu entwickeln und zu testen, das in der Lage ist, aus einem Ozean von Notizen, Aufzeichnungen und Artikeln Nuggets von Informationen herauszuziehen, die für einen einzelnen Patienten entscheidend sind. Die Suche nach allen relevanten Informationen ist für Hausärzte heutzutage eine mühsame Aufgabe, sagt Joe Kimura, Chief Medical Officer von Atrius. Elektronische Patientenakten könnten das Problem noch verschlimmert haben, fügt er hinzu, weil das Aufkommen solcher Systeme die bei jedem Besuch generierte Datenmenge enorm erhöht hat, ohne dass ein Standardformat für einen einfachen Abruf bereitgestellt wurde.

Entscheidend ist, dass viele der wichtigsten Notizen in Patientenakten Sätze sind, die ein herkömmliches IT-System nicht verstehen kann. Aber Watson kann die Fähigkeiten zur Verarbeitung natürlicher Sprache anwenden, für die er entwickelt wurde Gefahr! um ihnen Bedeutung zu entlocken. Im Idealfall könnte es dann Wege aufzeigen, wie Ärzte den Patienten helfen können, die Notwendigkeit einer umfangreichen Behandlung zu vermeiden. Warum sollten wir uns nur darauf konzentrieren, sicherzustellen, dass wir mit Patienten, die sich eine Hüfte gebrochen haben, so gut wie möglich gearbeitet haben, fragt Kimura, wenn wir versuchen können, vorherzusagen, bei welchen Patienten ein Sturzrisiko besteht, und ihnen helfen können, die Hüfte überhaupt nicht zu brechen ? Wir müssen unsere Fürsorge stromaufwärts schieben.

Eine Leukämieärztin bei M.D. Anderson, Courtney DiNardo, verwendete das Watson-System von IBM, als sie sich 2013 mit einem Patienten beriet.

IBM kündigte 2015 an, dass die diagnostischen Fähigkeiten von Watson durch Daten von Merge Healthcare, einem Unternehmen für die Verwaltung medizinischer Bildgebung, das IBM für etwa 1 Milliarde US-Dollar gekauft hat, verbessert werden würden.

Watson Health arbeitet auch mit der Central New York Care Collaborative zusammen, einer staatlich finanzierten Agentur, die mit rund 2.000 Gesundheitsdienstleistern in sechs Bezirken zusammenarbeitet. Die Partnerschaft soll das Ziel einer 25-prozentigen Reduzierung von Notaufnahmen und Wiedereinweisungen in Krankenhäuser unterstützen, wenn Patienten, die aus einem Krankenhaus entlassen wurden, zurückkehren müssen, um damit zusammenhängende Probleme zu behandeln. Es bietet auch potenziellen Zugriff auf große Mengen an Patientendaten.

Es gibt andere Möglichkeiten, an solche Daten zu kommen. Eines der Schwesterunternehmen von Google versucht, es direkt von den Patienten selbst zu bekommen. Verily Life Sciences, eine Gesundheitsabteilung von Alphabet, arbeitet mit Duke und Stanford zusammen, um eine hochstrukturierte Gesundheitsdatenbank mit rund 10.000 Freiwilligen zu entwickeln. Die Datenbank wird nicht nur mit Informationen aus ihren klinischen Besuchen, sondern auch von tragbaren Gesundheitsüberwachungsgeräten gefüllt. Das könnte ein vielversprechender Sprung im Datenzugriff sein, obwohl es ein Jahrzehnt oder länger dauern könnte, um hochgradig brauchbare Ergebnisse zu erzielen.

Die Gruppe von Fuchs am Memorial Sloan-Kettering hofft, ein KI-System trainieren zu können, um Objektträger mit Gewebeflecken zu lesen, ein Prozess, der eine große Bibliothek digital kommentierter Objektträger mit bestätigten Diagnosen und anderen kritischen Daten erfordert. Der Konzern bereitet sich also darauf vor, monatlich 40.000 solcher Dias in Eigenregie zu produzieren. Das ist weit mehr als alle anderen, sagt Fuchs. Es ist eine enorme Aufgabe wegen all der Variabilität in der Biologie.

Sogar M. D. Anderson setzt trotz des Schicksals des Watson-Projekts ein großes Programm fort, das ungefähr zur gleichen Zeit begann und sich darauf konzentrierte, 1.700 Arten von klinischen Daten über jeden Patienten zu sammeln, der seine Türen betritt. Andy Futreal, der Wissenschaftler, der das Programm leitet, sagt, dass die Kombination dieser Patienteninformationen mit Forschungsdaten entscheidend für die Art von Fähigkeiten sein wird, die Systeme wie Watson bieten könnten. Sobald wir die Daten vorliegen haben, können Sie jetzt in das Geschäft des maschinellen KI-Lernens einsteigen und die Faktoren aufdecken, die bestimmen, wer mit verschiedenen Behandlungen gut und wer nicht gut abschneidet, sagt Futreal.

IBM seinerseits sammelt weiterhin Daten aus Partnerschaften. Allein für die Krebsdiagnose und -versorgung hat sich das Unternehmen mit Memorial Sloan-Kettering, der Mayo Clinic, dem mit Harvard und dem MIT verbundenen Broad Institute und dem medizinischen Testgiganten Quest Diagnostics zusammengeschlossen. Die Zusammenarbeit zwischen Memorial Sloan und Kettering hat bereits ein System entwickelt, das Zeitschriftenliteratur durchforstet, um Behandlungsentscheidungen zu treffen, und es wurde im Jupiter Medical Center in Florida und einer Krankenhauskette in Indien eingeführt. Bei der Arzneimittelforschung arbeitet Watson Health mit dem Barrow Neurological Institute zusammen, wo Watson half, fünf mit ALS in Verbindung stehende Gene zu finden, die noch nie zuvor mit der Krankheit in Verbindung gebracht worden waren, und mit dem Ontario Brain Institute, wo Watson 21 vielversprechende potenzielle Medikamente identifizierte Kandidaten.

Wird Watson letztendlich einen Unterschied machen, indem er die Gesundheitsergebnisse verbessert und die Kosten senkt? Wahrscheinlich, sagt Stephen Kraus, ein Partner der VC-Firma Bessemer Venture Partners, der sich auf das Gesundheitswesen konzentriert und in KI-Startups im Gesundheitswesen investiert hat. Es ist alles echt, sagt Kraus. Es geht nicht darum, Vaporware herauszubringen, um die Aktienkurse anzukurbeln. Aber Kraus schließt sich den meisten Experten an, die vor unrealistischen Zeitplänen oder Versprechungen warnen — einige davon stammen von IBM selbst. Das ist hart, sagt er. Das passiert heute nicht und vielleicht auch in fünf Jahren nicht. Und es wird keinen Arzt ersetzen.

verbergen