ddm Ausgabe 6 | 2019

ddm | Ausgabe 6 | 2019 19 Digitale Visionen tenakte erneut Fehler (Verwechslung von Zähnen etc.). Eine Verknüpfung der Befunde verschiede- ner Bildmaterialien oder der direkte Vergleich zweier ähnlicher Bilder aus unterschiedlichen Zeit- scheiben (z. B. wiederholte Bissflügelbilder) bleibt trotzdem aufwändig. Um die Diagnostik valider, reliabler, schneller und einfacher zu machen, kann der Einsatz künstlicher Intelligenz (KI) sinnvoll sein. Künstliche Intelligenz: Was ist das? Der Begriff „Künstliche Intelligenz“ kam erstmals in den 50er Jahren des letzten Jahrhunderts auf (Abb. 1). Die Idee, Maschinen zu entwickeln, die menschliche Aufgaben übernehmen könnten, hat seitdem eine große Faszination entwickelt. In den darauffolgenden Jahrzehnten hat die KI-For- schung Höhen und Tiefen erlebt, auf lange Phasen der Enttäuschung folgten immer wieder Jahre der Begeisterung, weil überraschend Erfolge erzielt wurden. Momentan herrscht geradezu ein Hype; die Anwendungsfelder für KI explodieren (vom autonomen Fahren über die Gesichtserkennung bis in die medizinische Diagnostik hinein). Die Ursache für die aktuelle Hochphase von KI sind drei Trends, die zurzeit zusammenkommen: 1. Daten, Daten, Daten: Nie standen mehr Daten zur Verfügung als heute; die Digitalisierung (u. a. das Internet der Dinge; engl. Internet of Things – IoT) „erzeugt“ quasi nebenbei und ohne den Aufwand, der üblicherweise notwendig war, Daten, um größere Datensätze aufzubauen. Allein im Gesundheitssektor nimmt die erzeugte Datenmenge jährlich um 48 % zu. Im Jahr 2020 sollen in etwa 2.300 Exabytes (eine Zahl mit 18 Nullen!) an gesund- heitsbezogenen Daten existieren (International Data Corporation, 2014). Abb. 1: Zeitliche Übersicht – Meilensteine der Entwicklung von „Künstlicher Intelligenz“ (KI). Unter KI versteht man Maschinen, die in der Lage sind, Aufgaben zu übernehmen, die normalerweise nur von Menschen zu bewerkstelligen sind. Beimmaschinellen Lernen werden in Daten statistische Muster und Strukturen erkannt, die es erlauben, Vorhersagen für bisher nicht gesehene Daten zu treffen. „Deep Learning“ ist eine Ausprägung des maschinellen Lernens, in der vielschichtige (tiefe) neuronale Netze (NN) trainiert werden, um Zusammen- hänge in komplexen Datenstrukturen (z. B. Bilddaten oder Sprache) zu erlernen. Die Geschichte von KI ist charakterisiert durch Höhen und Tiefen; nach zahlreichen Rückschlägen ist heute der Optimismus so groß wie nie zuvor und viele sprechen schon von einem „Hype“.