00:00:00: Auf der einen Seite fragen wir uns, wie können wir z.B.

00:00:04: zählen in den Netzhaut?

00:00:05: Wie können die so simulieren dass wir nicht nur abbilden was deren Antworten auf bestimmte Lichtreize sind sondern dass wir auch tatsächlich etwas über die Mechanismen verstehen.

00:00:14: Auf der anderen Seite gucken wir uns an wie wir mithilfe von unseren KI-Algorithmen unter Umständen dazu beitragen können entweder Krankheitsbilder besser zu verstehen oder auch klinische Entscheidungen besser treffen zu können.

00:00:26: man kann über Netzhot Bilder erkennen, ob jemand Parkinson hat oder nicht.

00:00:31: Was man damit schon machen kann ist darüber nachdenken.

00:00:33: wie kann man auch entsprechende Screening-Tools entwickeln sodass man Menschen zum Beispiel mit Krankheiten die erst spät auffallen?

00:00:40: Wie eine Multiplin Sklerose oder so dass man die vielleicht auch früher finden kann und dann auch schneller eine entsprechenden Behandlung zu führen kann bevor der angerichtete Schaden zu groß ist.

00:00:55: Ja hallo und herzlich willkommen zu einer neuen Folge von Dr.

00:00:57: Metkai.

00:00:58: AI and Brain Healths.

00:01:00: Heute wollen wir uns über das Auge unterhalten.

00:01:04: Das Auge ist natürlich ein wichtiges Sinnesorgan, aber es kann auch wertvolle Einblicke in die Funktionsweise des Gehirns geben und ich freue mich sehr darüber heute mit meinem Gesprächspartner und Kollegen Prof.

00:01:15: Dr.

00:01:15: Philipp Behrens zu sprechen.

00:01:17: Philipp, magst du dich vielleicht kurz vorstellen?

00:01:19: Ja gerne!

00:01:20: Danke Kerstin, dass ich hier sein kann.

00:01:23: Mein Name ist Philipp Behrendts.

00:01:24: Ich bin Direktor Herty Institute for AI in Rainhouse und leitet da die Abteilung für Data Science jetzt seit Jahrzehnteinzehnzwanzig.

00:01:34: Und wie ist es dazu gekommen, dass du dich in deiner Forschung mit dem Auge auseinandersetzt?

00:01:38: Was fasziniert dich am Auge?

00:01:43: Da muss ich fast fünfzehn Jahre oder so zurückgehen.

00:01:49: In meiner Promotion habe ich auch schon im visuellen System gearbeitet also unserem Seesystem aber mich mehr damit beschäftigt, wie eigentlich die Information aus der Außenwelt im Gehirn kodiert wird.

00:02:02: Und als ich dann fertig war mit der Promotion hatten wir gerade ein neues Projekt am Land gezogen mit meinem Doktorvater zusammen, den Matthias Betge, wo es darum ging Zelltypen in der Netzhaut zu verstehen.

00:02:14: und letztlich bin ich so beim Auge gelandet zuerst mit dem Gefühl so aus dem Gehirnt kommt naja die Netzhau das ist doch alles irgendwie relativ einfach und das wird schon irgendwie schnell gehen.

00:02:26: Und jetzt beschäftigt es mich aber dann doch schon seit einer ganzen Weile.

00:02:32: Was sind so Fragen, die dich momentan beschäftigen?

00:02:41: Ich bin mit meiner ersten eigenen Arbeitsgruppe in der medizinischen Fakultät gelandet am Department für Augenheilkunde im Forschungsinstitut hat mich vorher eigentlich ausschließlich wirklich mit Grundlagenwissenschaftlichen Fragen beschäftigt.

00:02:58: Also welche Zelltypen gibt es in der Netzhaut, was machen die?

00:03:00: Wir sind die verschaltet.

00:03:03: Wie tragen sie zu unseren Seeeindrücken bei?

00:03:05: Aber durch diese Nähe zur Klinik kam dann eben auch klinische Fragestellung.

00:03:09: Es war dann also die Zeit als das losging mit dem KI benutzt wurde um klinisch Bilder zu analysieren zum Beispiel und dann haben wir uns eben auch in diesem Bereich eingearbeitet und das bestimmt eigentlich auch heute noch so die Struktur meiner Arbeitsgruppe.

00:03:23: Es gibt auf der einen Seite Fragen wir uns, wie können wir zum Beispiel Zählen in den Erzauten?

00:03:29: Wie können wir sie so simulieren dass wir nicht nur abbilden was deren Antworten auf bestimmte Lichtreize sind sondern dass wir auch tatsächlich etwas über die Mechanismen verstehen?

00:03:41: also die eine Seite.

00:03:42: Auf der anderen Seite gucken wir uns an wie wir mit Hilfe von unseren KI Algorithmen unter Umständen dazu beitragen können entweder Krankheitsbilder besser zu verstehen oder auch klinische Entscheidungen besser treffen zu können.

00:03:55: Und da ist eine Frage, die uns gerade akut sehr beschäftigt sind so Krankheitsverlaufsmodelle.

00:04:00: Wie können wir also nicht nur zu einem Zeitpunkt sagen was das für eine Krankheit auf dem Bild zu sehen ist?

00:04:05: Oder was ist es auch nicht sondern wie können wir in die Zukunft gehen und sagen wie wird sich die Krankheit entwickeln?

00:04:11: Wie wird sich vielleicht eine bestimmte Behandlung auswirken oder wann macht man die Behandlungen zum optimalen Zeitpunkt?

00:04:18: Ja, vielleicht schauen wir mal mit dem zweiten Thema an.

00:04:20: Was sind das denn für Erkrankungen die ihr euch anschaut?

00:04:22: In der Augenheilkunde gucken wir uns im Moment vor allem zwei relativ häufige Erkrankungsbilder an.

00:04:27: Das eine ist die Diabetische Rhetoropathie.

00:04:30: Das ist ne Begleiterkrankung von Diabetes wie er auch den Namen schon sagt bei der eben die Gefäßschädigungen, die durch Diabetes ausgelöst werden dann auch zu Schädigung in der Netzhaut führen können und irgendwann auch zur Erblindung.

00:04:44: Die andere Krankheit ist eine klassische Alterskrankheit, die altersbedingte Makula Regeneration.

00:04:49: Die Makula ist so unsere schärften Sehens, also dass die Stelle im Auge mit der wir zum Beispiel lesen oder Fernsehe gucken oder am Handy sind und das ist tatsächlich recht häufig bei älteren Personen, dass die Zellen in der Netzhaut für das Sehen wichtig sind an dieser Stelle anfangen kaputt zu gehen oft für die Personen, also wenn sie dann tatsächlich daran erblinden mit sehr dramatischen Folgen.

00:05:21: Und wie kann KI helfen?

00:05:23: Also was für Daten schaut ihr euch an und wie geht der vor?

00:05:29: Wir haben ganz unterschiedliche Datenquellen, mit denen wir arbeiten.

00:05:32: eine wichtige Ressource sind dabei sogenannte große Kohortenstudien.

00:05:37: In Deutschland gibt es zum Beispiel den Nationale Kohorte.

00:05:39: Dann wird seit einigen Monaten Zugriff auf die Daten.

00:05:42: in England gibt's UK Biobank.

00:05:44: Das sind Datensätze, bei denen sehr viele Menschen, also zehntausende Menschen zum Teil auch regelmäßig und wiederholt, sehr standardisiert untersucht werden können.

00:05:55: Und dadurch ist das für uns eine sehr wertvolle Ressource.

00:05:58: Da gucken wir uns z.B.

00:05:59: dann Bilder vom Augen-Hintergrund an.

00:06:02: Es sind einfach Farbfotos des Augen- Hintergrunds.

00:06:04: da kann man die Blutgefäße sehen, kann diese Makula, die Städte des Schärftens sehen, die Optikdisk... Das kann man alles sehr schön sehen.

00:06:15: Es ist auch keine besonders invasive Technik, um es ja einfach zu machen kostet nicht viel.

00:06:24: Gibt da noch andere Daten zum Beispiel so genannte OCT-Bilder die eine dreidimensionale Darstellung der Nezaut erlauben und so weiter?

00:06:33: Wir kombinieren dann solche Kohortendaten mit Längschnittstudien, die entweder jetzt aus unserem Krankenhaus hier in Tübingen kommen oder aus der Augenklinik.

00:06:43: Da haben wir gerade Einprojekt zum Beispiel dazu die Daten, die die Augenklinik über die letzten zwanzig Jahre gesammelt hat.

00:06:50: Zu altes Bedingter Marco-Ladingerationen, die tatsächlich nutzbar zu machen und da zum Beispiel anzugucken.

00:06:55: wir sind dann eigentlich tatsächlich in einer echten Population.

00:06:58: wie sind denn da die Krankheitsverläufe?

00:07:02: Mit oder ohne Behandlung mit unterschiedlichen Medikamenten mit unterschiedlichem Intervallen auch von Behandlungen Und wie können wir das... zusammenbringen.

00:07:11: Und wie vergleichbar sind die Daten aus den großen Kohorten und die klinischen Daten?

00:07:19: Das wissen wir noch nicht, also mit Sicherheit eine spannende Frage, die auch immer so ein bisschen davon abhängt wann sind die, man?

00:07:27: sind die Kohortendaten auch gemacht worden.

00:07:29: Also wenn man zum Beispiel die UK Biobank OCT-Dat sich anguckt dann sind jetzt einfach fünfzehn Jahre alt und die Geräte haben sich deutlich weiterentwickelt.

00:07:39: Die sind wahrscheinlich nicht besonders nützlich, um zu verstehen was heute tatsächlich in der Klinik passiert.

00:07:46: Fundusfahrtfotografie hat sich jetzt nicht indem er so weiter entwickelt.

00:07:50: da können wir zum Teil auch auf zwanzig dreißig Jahre alte Daten zurückgreifen und die transferieren durchaus sehr gut auf auch aktuell erhobene Daten.

00:07:59: Das heißt bei den klinischen Daten nimmt ihr vor allen Dingen aktuelle Daten mit neuen Geräten die jetzt erhoben werden.

00:08:06: Also nicht unbedingt retrospektive Daten, die jetzt schon seit zwanzig, dreißig Jahren in den Krankenhäusern...

00:08:11: Doch,

00:08:12: genau.

00:08:12: Also

00:08:12: aktuell gucken wir auch eben retrosjektive Daten an und es ist natürlich immer einfacher von den regulatorischen Anforderungen das für uns schon wichtig.

00:08:24: Und versucht ihr für die Unterschiede in den Aufnahmen zu korrigieren oder die Daten zu harmonisieren?

00:08:30: Wie geht ihr davor?

00:08:32: Ja eine ganz spannende Sache.

00:08:33: Wenn man sich anschaut, welche Variabilität man in solchen Fundusbildern zum Beispiel findet – also diesen Aufnahmen vom Augenhintergrund.

00:08:47: Dann merkt man sehr schnell, dass eigentlich eine Hauptquelle von Variabilitäten darin ist, dass es subtile Unterschiede z.B.

00:08:56: zwischen Kameras gibt oder selbst wenn die selbe Kamera ist zwischen Aufnahmeorten.

00:09:03: Also zum Beispiel in der nationalen Kohorte, in den Augendaten ist die größte Quelle von Variants tatsächlich der Aufnahmeort.

00:09:11: Obwohl die alle die gleiche Kamera benutzt haben.

00:09:13: wir sind dem dann auch ein bisschen auf den Grund gegangen und man sieht zum Beispiel das es in verschiedenen Aufnahme Orten bestimmte Kratzer auf der Linse des Fotoapparats.

00:09:23: Und da wird es vor ein paar Jahren festgestellt haben, da wollten wir eigentlich was ganz anderes machen haben uns dann sehr ausgiebig mit der Frage beschäftigt, wie man solche Unterschiede eben auch rausrechnet.

00:09:34: Aber auch nur diese Unterschiede und nicht alles andere auch.

00:09:38: Genau dazu modifizieren wir die Kostenfunktionen, die solchen Modellen zu Grunde liegen und sagen die Kamera-Identität oder den Ort an dem es aufgezeichnet ist.

00:09:50: Das wollen wir explizit nicht in der Repräsentation im KI-Modell drin haben.

00:09:56: Und andere Varianzquellen?

00:09:58: Wie zum Beispiel Alter, Geschlecht ... Herkunft spielt das auch eine Rolle bei den Aufnahmen oder eher weniger?

00:10:06: Spielt auch nur eine Rolle.

00:10:08: Herkünft zum Beispiel ist sehr spannend, dass sich Bilder auch systematisch zwischen Personen mit unterschiedlicher Hautfarbe unterscheiden – einfach über die Pigmentierung und tatsächlich auch über andere Unterschiede struktureller Art.

00:10:22: Das kann man natürlich zum Teil durch diese großen Kohortenstudien in in westlichen Ländern oder auch in China, Indien und so weiter durchaus erkennen.

00:10:33: Wenn man die zusammenführt und sich anguckt dann hat man auch in Yucca Biobank ungefähr nicht zehn, fünfzehn, zwanzig Prozent jetzt zum Beispiel Menschen die eher eine dunkle Hautfarbe haben weil sie irgendwie Vorfahren haben die aus Afrika oder aus Indien Pakistan kommen.

00:10:49: Also kann man daran schon erkennen, gleichzeitig sind in den weltweit verfügbaren Daten zum Beispiel Menschen die tatsächlich in Afrika leben und aufgewachsen sind.

00:11:01: Auf jeden Fall deutlich unterrepräsentiert was sich wahrscheinlich auch auf die Transferrierbarkeit von damit mit solchen Daten trainierten Algorithmen dann in dieser Weltgegenden auswirkt weil viele von den Umwelt Einflussen die dir da vorhanden sind also von Infektionskrankheiten über Ernährungsstatus und so weiter, sich eben schon auch auf den Augen Hintergrund auswirken können.

00:11:27: Und schaut ihr euch das dann bei den Modellen auch an?

00:11:30: Also schaut ihr wie gut die Klassifikationsgenauigkeit in unterschiedlichen Gruppen ist.

00:11:36: oder muss man auch eben die Kostenfunktionen anpassen damit sie auch für unterschiedliche ethnische Gruppen gut funktioniert?

00:11:44: Ja also in einer ersten Arbeit haben wir tatsächlich untersucht Wie kann man denn im Rollout, also wenn man jetzt tatsächlich ein Medizinprodukt hätte was man gerne anwenden würde?

00:11:57: Wie kann das in dieser Situation feststellen dass sich die Population auf die man das anwendet.

00:12:06: Dass sie sich systematisch unterscheidet von der auf der es trainiert wurde, also vielleicht auch nur in der Zusammensetzung.

00:12:14: Also zum Beispiel selbst wenn ich im Tübingen so ein Modell trainiere und dann irgendwo auf der Alp anwende ändert sich ja vielleicht auch was in dem Bezu zur demografischen Zusammensetzung.

00:12:25: Also kann doch alter Geschlecht sonst das

00:12:27: sein?

00:12:27: Ja.

00:12:28: Und da haben wir auch Verfahren entwickelt um das eben detektieren zu können überhaupt erst mal bevor man es dann.

00:12:34: das ist dann der nächste Schritt dass man's auch korrigiert.

00:12:36: Ein Projekt das wir aktuell beantragt haben mit Partnern in Gambia ist tatsächlich dort Daten zu erheben, wo wir ... Sie haben an einem Forschungsinstitut dort auch eine sehr große Kohorte.

00:12:54: Wo sie über viele Jahre Gesundheitsdaten gesammelt haben und für eine ausgewählte Subgruppe von den Menschen wollen wir dann eben auch Bilder vom Augenhintergrund machen die auch hinterher hoffentlich verfügbar machen So, dass man das eben auch dann abgleichen kann.

00:13:09: Was ist denn deren Gesundheitsgeschichte und ein Stück weit ein bisschen dazu beitragen?

00:13:16: Also unser Ziel wäre auch dazu beITragen in diese untere Präsentation von Menschen aus Afrika im diesem KI-Feld von medizinischen Daten etwas abzumiddeln.

00:13:27: Und aber Fundusbilder werden schon auch in Afrika erhoben.

00:13:30: also das ist da schon auch Standard um markulärer Degeneration oder diabetischer Retinopathie zu diagnostizieren.

00:13:38: Oder ist die Methode dort schon verbreitet und es geht eher dann noch um die KI-Auswertung, dass sie Daten verfügbar machen?

00:13:45: Oder werden die Geräte gar nicht benutzt oder gar nicht die Aufnahmen gar nicht hergestellt?

00:13:50: Das kommt sehr darauf an.

00:13:52: also wir haben auch Kollegen mit denen wird zusammenarbeiten in Nigeria.

00:13:58: im Lagerhaus kann man glaube ich schon in die entsprechenden Krankenhäuser gehen Und das wird da genauso ein Fundusbild gemacht wie bei uns.

00:14:07: Ich war in einem der größeren Krankenhäuser in Kigali vor zwei Jahren, die Diagnostik ist nicht unbedingt schlechter und die gucken halt ins Auge einfach mit einer Schlitzlampe und schauen sich den Augen hintergrund an.

00:14:22: um das dann aber nachhaltig zu dokumentieren fertigen die denn tatsächlich oft eine Handzeichnung an?

00:14:28: Das natürlich nicht derselbe ... Digitalisierungsgrad und eine Herausforderung, die in vielen Ländern dorthin zukommt.

00:14:39: Ist das die Anzahl von Ärztinnen und Ärzten im Verhältnis zu den Menschen?

00:14:48: Dies gibt halt ein ganz anderes als bei uns so dass sie zum Beispiel die augenärztliche Unterversorgung noch viel extremer ist Als bei uns.

00:14:58: und gerade da könnten natürlich KI-Techniken ein Stück weit auch helfen, um dann Erstscreening einfach viel mehr Menschen kostengünstig zugänglich zu machen.

00:15:08: Und was für KI Algorithmen benutzt ihr?

00:15:11: Also was für Modelle trainiert ihr?

00:15:17: Ein Schwerpunkt in den letzten Jahren lag auf Interpretierbarkeit also der Fähigkeit dass Menschen hinterher nachvollziehen können, was der Algorithmus denn tut.

00:15:28: Und wir haben uns da eine Modellklasse angeguckt, die wir inherent interpretierbar nennen.

00:15:34: Also bei denen tatsächlich die Architektur dieses Netzwerks erlaubt diese Nachvollziehbarkeit herzustellen ohne dass man hinterher noch irgendeine andere Technik zusätzlich anwenden muss und konnten damit sehr gute Ergebnisse erzielen bei einigen der genannten Erkrankungen.

00:15:53: Und ist das auch so, was Ärzte und Ärztinnen gerne haben wollen?

00:15:58: Finden die das besser, wenn das Modell gleichzeitig auch die Interpretationen gibt?

00:16:04: oder würde ihnen reichen, wenn die Klassifikationsgenauigkeit gut genug ist.

00:16:07: Man denkt okay, das Model wird schon irgendwie was richtiges machen.

00:16:14: Das ist eine sehr spannende Frage, die man glaube ich auch gut mal erforschen könnte.

00:16:20: Wir haben auf der einen Seite in einer Veröffentlichung kürzlich gezeigt dass diese Erklärung tatsächlich ein Mehrwert hat.

00:16:30: Wir haben in einer simulierten klinischen Anwendungsstudie Ärztin Bilder bewerten lassen, ohne KI-Unterstützung mit KI-Understützung wo sie einfach nur die Vorhersage bekommen haben oder dann eben auch die Erklärungen dazu und konnten zeigen das bei schwierigen Fällen tatsächlich hilfreich ist, auch diese Erklärung zu bekommen und dass die Ärztinnen damit vor allem schneller werden in ihren Entscheidungen.

00:16:57: Das heißt, den klinischen Mehrwert glauben wir gibt es sehr wohl.

00:17:03: Gleichzeitig ist im klinischem Alltag wahrscheinlich für viele Anwendung das auch vollkommen ausreichend, wenn es wie so eine Art Labor wert einfach zusätzlich ein Grading ausgespuckt wird

00:17:18: Und die Erklärungen sind immer sogenannte Heatmaps.

00:17:21: Also im Ausgangsbild sieht man dann, welche Regionen relevant sind oder gibt ihr auch zusätzlich Erklärung raus?

00:17:28: Oder wäre das auch interessant, das zu machen?

00:17:30: Das wäre total interessant!

00:17:32: Also machen wir momentan nicht aktuell markieren wir im Bild mit kleinen blauen Boxen wo sozusagen die interessante Informationen versteckt ist und führen ja damit irgendwie ein Stück weit den Blick der Ärzte und Ärztin tatsächlich auch direkt mit ein bisschen Text zu erklären, was da eigentlich passiert oder was zu sehen ist.

00:17:52: Ich glaube ich wäre jetzt mal grundsätzlich technisch interessant.

00:17:56: Ob das am Ende den Wert für die klinische Nutzbarkeit erhöht, werde ich mir gar nicht so sicher weil den Text muss man ja dann auch erstmal lesen und verstehen und wahrscheinlich ist das angesammelte Implizitewissen ausreichend um das was wir markieren zu interpretieren.

00:18:11: aber

00:18:12: Ja, es ist auch ein schöner schneller visueller Eindruck was da jetzt eigentlich relevant war.

00:18:16: Und helfen die Modelle auch dabei eben Bayes in den Daten zu erkennen wie zum Beispiel so eine Kratze auf der Linse oder versucht ihr das vorher immer schon zu korrigieren und dann wirklich nur noch so eine klinische Interpretationshilfe für das Modell zu haben?

00:18:33: Also unser Ziel war jetzt auf jeden Fall letztes.

00:18:36: Ich glaube das andere ist aus meiner Sicht ein bisschen separates Problem was man sich dann eben auch genau angucken muss.

00:18:43: Ja,

00:18:44: und du hattest gesagt, dass ihr die Modelle für Krankheitsprogression einsetzt?

00:18:50: Das heißt, versucht ihr frühzeitig Erkrankungen zu erkennen oder versucht ihr vorherzusagen wie sich die Erkrankung im Einzelnen entwickeln wird?

00:18:59: Auch in Abhängigkeit von Medikamenten ... Was ist da eure zentrale Frage?

00:19:05: Früherkennung ist ja immer... in der Datenlage einfach ein schwieriges Feld.

00:19:10: Also das ist ja tatsächlich was, wo man sehr viele Leute – also bei ja am Ende doch gemessen auf die Gesamtbevölkerung zum Beispiel gar nicht so viele Leute einem D bekommen, wobei es immer noch eine sehr vergleichsweise häufige Alterserkrankungen ist – muss ich ja sehr viele Menschen über einen sehr langen Zeitraum immer wieder regelmäßig untersuchen wenn ich irgendwie frühe prognostische Marker identifizieren will.

00:19:35: herausfordernde Geschichte, die man mit solchen großen Kohortenstudien wahrscheinlich schon dann auch irgendwann in den Griff kriegen wird.

00:19:43: Aber was wir jetzt erst mal machen ist tatsächlich für Menschen, die eine bestimmte Krankheit haben also zum Beispiel altersbedingte Marco der Generation.

00:19:52: da gibt es ne Frühform und ein Spätform Und aktuell haben wir versucht einen Risikomodell aufzustellen das vorher sagt wie sich das Risiko dass die Krankheit sich in die späht Form entwickelt dass dieses Risiko eben über die Zeit modelliert wird und wir auch da wieder interpretierbar Regionen im Bild finden, die dieses Risikobestimmen ein Stück weit.

00:20:18: Das macht ihr aber dann nur anhand des Bildes oder spielen andere demografische Faktoren eine Rolle, die ihr mit in das Modell rein nehmt?

00:20:31: Aktuell machen wir das rein bildbasiert kann man aber natürlich machen, sowohl demografische Faktoren als auch Genetik zum Beispiel.

00:20:39: Es gibt zu manchen dieser Kohortenstudien auch entsprechende genetische Daten bzw.

00:20:46: bekannte genetischen Risikofaktoren und die könnte man sich genauso angucken ob sie auch dazu beitragen und wie die vielleicht mit den bildbasierten Faktore interagieren also ob es bestimmte Risiko-Gene gibt eventuell mit einer Ausprägung von Risikofaktoren korrelieren und dann andere, die mit einer anderen Ausprägung korrelieren.

00:21:12: Wobei man da halt sagen muss sobald man genetische Daten anfasst hat man einfach nochmal andere Datenschutzthematiken.

00:21:20: Ja!

00:21:21: Und wie schwierig ist es jetzt überhaupt an solche Verlaufsdaten heranzukommen?

00:21:28: Nicht so ganz einfach.

00:21:30: Es gibt zum Beispiel zwei wichtige und spannende Datensätze, die auf Servern vom National Institute of Health in den USA liegen.

00:21:40: Auf einen davon haben wir Zugriff, auf den anderen aktuell nicht.

00:21:45: Wo natürlich zu befürchten ist oder wo zumindest unklar ist wie es mit denen aktuell weitergeht, ob sie weiterhin zur Verfügung stehen für was für Projekte, die zur Verfügung steht weil da die US-Regierung ja gerade schon massiv Einfluss auch auf das Wissenschaftssystem in Amerika liegt.

00:22:03: Es gibt auch kleinere Kohorten, lokal in Deutschland oder in Europa.

00:22:09: Oft ist das Rankommen tatsächlich ein Problem und oft natürlich sehr viel Arbeit in solche Daten geflossen so dass die nicht einfach verfügbar sind und es auch viel Überzeugungsarbeit dann kostet mit den Menschen zu sprechen und zu erklären was man vor hat warum man das möchte und dann eben Wege zu finden wie man das Datenschutzkonform um sich umsetzen

00:22:31: kann.

00:22:33: Und würde man hier davon profitieren, wenn man ganz viele Datensätze aus den Krankenhäusern zusammennehmen würde und ganz große Modelle, Foundation-Modelle zum Beispiel trainiert.

00:22:44: Würdest du denken da könnte ein sehr großer Mehrwert für die Gesellschaft entstehen oder wärst du da eher vorsichtig?

00:22:53: Also viele Datansätze aus möglichst vielen Krankenhäuser in Deutschland zusammenzusammeln das ist auf jeden Fall ... Da wird auf jeden fall ein großer Mehr Wert entstehen.

00:23:02: Ich glaube, das ist ein großes Manko im deutschen Gesundheitssystem, dass es so eine digitale Vereinzelung hat und letztlich jede Klinik da auch irgendwie ihr eigenes Süppchen kocht.

00:23:13: Da bin ich jetzt Teil eines größeren Konsortiums des sogenannte IMATICS-Projektos am Teil der Medizininformatikinitiative wo wir mit einigen großen augenheilkundlichen Kliniken unter der Federführung vom Universitätsklinikum Münster zusammenarbeiten, um genau das zumindest beispielhaft mal durchzuführen.

00:23:36: Da würde ich schon wirklich großen Mehrwert sehen wenn es gelingt Ob wir welche Rolle Foundation Modelle da spielen glaube ich letztlich dass man das noch nicht so richtig beantworten kann.

00:23:50: Es gibt natürlich erste Modelle auf denen das Label-Fundation Model drauf ist.

00:23:57: Wenn man sich aber anguckt was die was ist so die Datenanzahl, die benutzt wurde um die zu trainieren?

00:24:03: und was ist wiederum die Datenanzahl, die benutzt wurde.

00:24:05: Um jetzt so die populären Vision Language Models oder sowas zu trainiren dann ist man da schon auch einfach in zwei ganz unterschiedlichen Welten unterwegs und bisher ist auch entsprechend der Vorteil den man über diese Foundation Modelle hat dann doch eher überschaubar aus meiner Sicht.

00:24:26: Aber wie sich das entwickelt, wenn einfach man mehr Daten auch reinstecken kann?

00:24:31: Man sehen.

00:24:32: Ja und würdest du dann grundsätzlich sagen lieber so viele Daten wie es gibt und lass dir ruhig sehr heterogen sein.

00:24:39: oder ist es schöner, wenn man kleinere kuratierte Datensätze hat von dem man genau weiß, wie sich die Erkrankung entwickelt hat, wo man die Personen gut charakterisiert hat.

00:24:50: Kannst du da ... Hast du da so ein Gefühl für, das sind beide Ansätze eigentlich sinnvoll und muss man immer im Einzelnen abwägen?

00:25:01: Ich glaube, man muss es abwähgen für was auch am Ende die Anwendung sein soll.

00:25:09: Also wenn mein Screening-Verfahren auch eine relativ homogene Kohorte reinkommt in einem kleinen Projekt und ziehe zum Beispiel mit einer Diagnose beschäftigt, die heißt Epiretinale Membran.

00:25:22: Da wächst so ein Häutchen irgendwie auf der Netzhaut und kann eben auch zu schweren Schädigungen führen... ...und was den Ärzten mit denen wir das zusammen gemacht haben, was dem Kollegen wichtig war, war dass der Datensatz die Heterogenität der Population in ihre Diagnostik reinkommt, dass die akkurat widerspiegelt

00:25:46: wird.".

00:25:47: Aber natürlich nicht die Heterogenität aller möglichen Augenpatienten.

00:25:52: Und wenn das Tool am Ende dafür dienen soll, in dieser Spezialsprachstunde zu dienen dann ist es glaube ich vollkommen in Ordnung eine kleine aber feine Kohorte, die irgendwie gut korratiert ist zu haben.

00:26:04: Ansonsten ist das andere natürlich eine total spannende Frage.

00:26:06: ja was machen wir denn mit so einer Datenkiste?

00:26:11: Und eine Sache die ich schon glaube ist dass Wichtig ist, sich da von dem rein Big Data Ansatz ein Stück weit zu verabschieden.

00:26:22: Also das ist keinen Sinn macht nur so viele Daten wie möglich und irgendwie werden wir schon Koalitions-Assoziationen sonst was finden.

00:26:32: Ich glaube auch dass wir das ganze theoretische wissen was wir eigentlich haben.

00:26:37: also es gibt ja viele Augen kundliche Lehrbücher Entscheidungsstrategien, wie man eben zur Definition von verschiedenen Krankheiten kommt.

00:26:50: Das auch irgendwie nutzbar zu machen.

00:26:53: Ja, wie ist das denn?

00:26:54: Baut ihr dieses Wissen auch in die Modelle ein oder ist es dann doch eher am Ende ein reiner Computer Vision Task?

00:27:03: Aktuell glaube ich vor allem noch einen Computer Vision task wobei zum Beispiel in diesen interpretierbaren Modellen Wir hat zum Beispiel schon die Vorannahme reinstecken, dass die krankheitsbezogenen Schädigungen der Netzhaut das kleine Regionen sein sollen.

00:27:19: Das kodieren wir sozusagen explizit in der Architektur.

00:27:24: Das ist aber natürlich nur ein Anfang und wie man es genau macht, glaube ich da muss man auch gut darüber nachdenken kann zB versuchen Literaturwissen anzuzapfen über große Sprachmodelle, wo das jetzt sicherlich auch nochmal auf eine andere Art und Weise möglich

00:27:40: Werden denn diese KI-Modelle, die ihr entwickelt?

00:27:43: Werden sie schon in der Klinik eingesetzt?

00:27:45: oder ist das geplant?

00:27:48: Also wir machen selber keine Medizinprodukte.

00:27:51: Das ist was, was wir nicht leisten können.

00:27:53: Wir sind ja im Ende.

00:27:54: akademische Forschungseinrichtungen und der Overhead, der erzeugt wird wenn man das dann tatsächlich in die Zulassung bringen will, der ist schon nicht klein.

00:28:05: In diesem I-Medics-Projekt gibt's jetzt so eine vorbereitende Stufe, gibt es tatsächlich eine Begleitung durch eine Beratungsfirma.

00:28:11: Die Medizinprodukte die sich damit auskennt mit der Zulassung mit Medizin Produkten und das für uns total spannend ist mal mitzudenken weil wir wollen ja auch nichts verkaufen am Ende.

00:28:22: ich glaube dafür bräuchten wir dann einfach auch entsprechend Partner die know how haben und den Willen das umzusetzen.

00:28:28: aber insgesamt klar kann man heute Medizinprodukte oder Algorithmen kaufen.

00:28:37: Also man kann zum Beispiel Kameras kaufen, die so ein diabetesches Retinopathiescreening automatisch machen.

00:28:43: Ich habe das neulich hier bei uns in der Diabetologie gemacht.

00:28:45: Das ist total spannend.

00:28:47: Setzt man sich hin?

00:28:47: Die Kamera zentriert automatisch auf das Auge, macht einen Bild und zwei Minuten später kommt dann ein Report raus, auf dem steht gehen sie mal zum Augenarzt lassen, zum Abklären oder halt alles in Ordnung.

00:28:59: Und wer das denkt war dass Leute denn auch irgendwann solche Bilder selber machen können und über Smartphone irgendwo hinschicken.

00:29:06: Und sich dann

00:29:09: da bin ich ja persönlich eher kritisch technisch möglich ist es also die entsprechenden Linsen mit denen man irgendwie auch als Aufsatz auf Smartphone so Bilder machen kann.

00:29:18: diesen kann man auch im drei D Drucker herstellen, also die Linse natürlich nicht aber das drumherum ist nicht besonders teuer.

00:29:28: Ich bin mir nun nicht sicher ob man beutet dann auch mit ihren medizinischen Befunden so alleine lassen sollte.

00:29:33: Aber was, glaube ich zum Beispiel in dem Feld sicherlich in den nächsten Jahren zum Standard gehören wird ist, wenn man zum Hausarzt geht das der so ein Bild mitmacht und einem sagt kümmern sie sich da drum oder dass wenn man zu Optiker geht also die Geräte die heute beim Optiker stehen können das alle?

00:29:52: Ja und das wäre ja dann auch ein Screening Tool und dann würde es ja auch wieder bei der Früherkennung von verschiedenen Erkrankungen.

00:30:01: Du bist ja am Härteinstitut für AI und Brainhals.

00:30:04: Wie weit helfen denn solche Daten des Augens auch bei der Erkennung von neurodegenerativen Erkrankungen oder Erkankungen des Gehirns?

00:30:12: Gibt es da Beispiele?

00:30:14: Ja, jetzt haben wir ganz schön lange das Auge geredet.

00:30:18: Also wenn man sich anguckt was das Auger eigentlich ist dann gehört die Netzhaut auf jeden Fall zum Gehirn dazu so eine Art ... Verlängerter Ausstülpung des Gehirns, die halt am sehnerv hängt und hat darüber schon eben auch viel strukturelle und physiologische Ähnlichkeit mit der Hirnstruktur.

00:30:40: So dass Dinge, die wir im Auge verstehen oft sinnvoll sind um Dinge über das Gehirn zu lernen.

00:30:48: Das ist nicht einfach eine ganz andere Struktur Das ist das eine des anderes.

00:30:52: Man kann sich auch wirklich konkret für Krankheitsbilder angucken, gerade die neurodegenerativen Erkrankungen, die du angesprochen hast, weil es eben auch Nervengewebe ist.

00:31:03: Zum Beispiel bei Parkinson sind dann letztlich ein Defekt irgendwie das Dopaminsystems.

00:31:11: und auch in der Netzhaut gibt's dopaminerge Zellen, also Zellen die Dopamin ausschütten dafür sensitiv sind usw.. Entsprechend haben eben auch Leute gezeigt, man kann über Netzhautbilder erkennen ob jemand Parkinson hat oder nicht.

00:31:27: Zumso ist es auch sogar einen prognostischen Wert in die Zukunft.

00:31:32: Das sind jetzt natürlich Sachen, die klinisch nicht primär relevant sind weil jemand der schwer Parkinson hat dessen vielleicht leichte Seeschwäche in bestimmten Fällen ist nicht das ein Hauptproblem dass der vielleicht auch Lesionen in der Netzhaut hat, das ist nicht die Hauptschwierigkeit unter der die Leute leiden.

00:31:53: Aber was man damit glaube ich schon machen kann, ist darüber nachdenken wie kann man eben auch entsprechend des Screening Tools entwickeln?

00:32:00: Sodass man Menschen zum Beispiel mit Krankheiten, die erst spät auffallen, wie einer Multiplin Sklerose oder so, dass man die vielleicht auch früher finden kann und dann auch schneller eine entsprechende Behandlung zu führen kann bevor der angerichtete Schaden zu groß ist.

00:32:15: Das heißt diese Veränderungen könnte man im Auge schon erkennen, bevor die ersten Symptome auftreten.

00:32:24: Ich würde sagen, da gibt es Hinweise drauf, dass das so ist?

00:32:28: Insgesamt ist das aber auch eine Forschungsfrage inwieweit das trägt.

00:32:33: Ja, das ist natürlich spannend, weil es auch wesentlich kostengünstiger ist als jetzt wahrscheinlich an der MET zu machen und man möchte ja immer, dass man Erkrankungen vielleicht schon erkennt, bevor dann erste Symptomen auftreteten.

00:32:46: Vielleicht spricht mir noch mal kurz über das andere Thema, was du am Anfang auch genannt hast.

00:32:49: Dass ihr versucht quasi ... Das visuelle System nachzubauen?

00:32:55: Wie kann man sich das vorstellen?

00:32:56: Was wollt ihr da machen?

00:32:58: Ganz konkret haben wir zum Beispiel gerade einen Datensatz, den wird mit Kollegen hier in Tübingen aber auch Kollegen in Amerika, in Princeton und in Northwestern in Chicago analysieren.

00:33:09: Es ist ein struktureller Datensatz.

00:33:11: also geht es um die Anatomie der Netzhaut erst einmal wo wir von einem Quadrat-Milimeter Netzhaut, die tatsächlich komplett in der Tiefe mikroskopisch erfasst haben und wirklich die Struktur aller Zellen auf zellulärer Ebene rekonstruieren können.

00:33:29: Also bis hin auf die subzelluläre Struktur.

00:33:33: Wir können sehen was in den Zellen drin ist, wir können deren Verknüpfung sehen, wir könnten deren Vielfalt auch bewundern Zellen so sehen zu können.

00:33:48: Jetzt werden wir sicherlich uns alle anschauen, wir werden da irgendwie auch mithilfe von unseren Algorithmen.

00:33:54: Wir werden die sortieren in verschiedene Zelltypen

00:33:57: usw.,

00:33:59: aber da wollen wir eigentlich nicht stehen bleiben.

00:34:01: Was wir die letzten Jahre entwickelt haben sind auch Techniken, die es uns erlauben solche Zellmodelle auf einer biophysikalischen Ebene wirklich realistisch zu simulieren.

00:34:13: Dann können eben diese anatomischen Daten in die Grundlage dafür dienen, bilden und dann wollen wir sie zusammenbringen mit anderen Daten, funktionellen Daten um wirklich realistische Netzhautsimulationen erzeugt zu können.

00:34:31: Idealerweise sogar auf unterschiedlichem Level von Detail.

00:34:34: also dass man entweder sagen kann jetzt will ich irgendwie die Bio-Physik ganz realistisch hinbekommen, weil ich irgendwie wissen will an welche Stellen genau dockt irgendein bestimmtes Medikament an.

00:34:45: Also welche Rezeptoren werden davon blockiert?

00:34:47: Was ist die Auswirkung davon?

00:34:49: oder vielleicht auch mit einer gewissen Abstraktionsebene so dass die Qualität der Simulation immer noch gut ist aber der Detailgrad etwas geringer?

00:34:59: und das ist aber schon den Netzhaut des Menschen nicht von

00:35:02: in dem Fall es die netz haut einmal aus

00:35:04: einer maus okay von der ihr überdenken würdet, das würde sich dann auch irgendwann im Prinzip auf den Menschen so übertragen lassen.

00:35:15: Und wenn ihr jetzt einen Quadratmillimeter euch anschaut... Ich meine die Netzhaut ist natürlich größer, sind das quasi wie einzelne Wausche?

00:35:24: Sind sie alle relativ ähnlich aufgebaut und insofern hat man schon irgendwie ein ganz gutes Beispiel für die gesamte Netzhout.

00:35:30: oder müsste man sich das für jeden Quadrat Millimeter gesondert anschauen?

00:35:35: Also für so eine Mausnetzhaut ist ein Quadratmedometer schon ne ganze Menge, gar nicht so wenig.

00:35:42: Tatsächlich ist es so das wir glauben und jetzt nicht nur wir sondern man glaubt im Feld dass die Mausnetzhaut eigentlich in ganz gute Blaupause ist.

00:35:52: so für die Periphera menschliche Netzhaut auch also die Mausznetz-Haut sehr nahe an der prototypischen Säugernetzhau bei uns die Stelle, wo wir wirklich das Schärfste sehen haben.

00:36:06: Die ist wirklich sehr hoch spezialisiert.

00:36:08: also da gibt es zum Beispiel ganz wenige Zelltypen nur... ...die Futterrezeptoren sind so dicht dass die richtig ein bisschen die Zeigkörper zur Seite geräumt werden müssen weil sonst alles gar nicht hinpasst.

00:36:23: Also da ist eher sozusagen unsere stelle des schärften Sehens ein bisschen einen Outlier in dem gesamten evolutionären Baum Ja Der uns natürlich aber viele Vorteile bringt, ist sehr unbenommen.

00:36:37: Aber diese Transferierbarkeit innerhalb der Säugetiere ist da glaube ich auf jeden Fall sehr gut gegeben, da die Netzhaut eben evolutionär einfach auch ein verhältnismäßig altes Organ ist.

00:36:48: und dann gibt es im Detail Abweichungen, aber das ist natürlich auch spannend, das zu verstehen.

00:36:53: in einem letzten Satz.

00:36:55: Man könnte das im Prinzip mit Patientengewebe ... machen.

00:37:00: Also es gibt zum Beispiel Patienten, bei denen ein Auge entfernt werden muss weil sie dann einen Tumor haben in der Netzhaut ist.

00:37:06: nicht so oft gibt's aber und solches Gewebe könnte man im Prinzip auch nutzen um das zu rekonstruieren.

00:37:13: und da gibts auch durchaus erste Beispiele von Menschen die das gemacht haben.

00:37:18: Und du hattest jetzt gesagt ihr schaut euch das vor allen Dingen anatomisch an also die Struktur.

00:37:22: Aber wäre auch die Idee dass er euch dann irgendwie die Funktion anguckt, wehren Sie was für sich bestimmte Stimuli, bestimmte Bilder oder bestimmte Videos angucken und dass man das irgendwie mit reinnimmt?

00:37:32: Oder ist es eher so ein deutlich späterer Schritt.

00:37:37: Nee, das gehört schon in dieses Gesamtprojekt auf jeden Fall mit dazu also diese Simulationen, die wir dann da machen wollen, die sollen schon widerspiegeln, was die jetzt halt auch tut, während sie visuelle Informationen verarbeitet.

00:37:48: Und nennt man das dann auch digitalen Zwillinge oder ist das noch etwas anderes?

00:37:52: Ich finde, digitaler Zwilling ist ein Buzzwert.

00:37:55: Aber eher kann man digitaler Zählingen...

00:37:58: Okay!

00:37:59: Ja vielen Dank für das spannende Gespräch.

00:38:02: Danke fürs Interview von meiner Seite

00:38:04: auch.

00:38:05: Der Podcast wird produziert vom Herthie AI der gemeinnützigen Härtiestiftung dem Tübinger AI Center und kommt an der medizinischen Fakultät Tümingen.

00:38:17: Vielen

00:38:18: Dank.