Advertisement

Der Radiologe

, Volume 60, Issue 1, pp 24–31 | Cite as

Wie funktioniert maschinelles Lernen?

  • Jens KleesiekEmail author
  • Jacob M. Murray
  • Christian Strack
  • Georgios Kaissis
  • Rickmer Braren
Leitthema

Zusammenfassung

Hintergrund

Die Methoden des maschinellen Lernens und der künstlichen Intelligenz (KI) etablieren sich langsam aber sicher im medizinischen Alltag. Zukünftig werden sie uns bei Diagnose und Therapie unterstützen und so die Behandlung zum Wohl des Patienten verbessern. Es ist daher wichtig, sich mit diesem Thema auseinanderzusetzen und ein Grundverständnis dafür zu entwickeln.

Ziel der Arbeit

Dieser Artikel soll einen Überblick über das spannende und dynamische Feld des maschinellen Lernens geben und als Einführung in Methoden, v. a. des überwachten Lernens, dienen. Neben Definitionen und einfachen Beispielen werden auch Limitationen diskutiert.

Schlussfolgerung

Die Grundprinzipien der Methoden sind einfach. Dennoch sind die Gründe für eine Entscheidung häufig durch ihre hochdimensionale Natur nicht oder nur schwer durch den Menschen nachvollziehbar. Um Vertrauen in die neuen Technologien aufzubauen und eine sichere Anwendung zu garantieren, benötigen wir nachvollziehbare Algorithmen und prospektive Wirksamkeitsstudien.

Schlüsselwörter

Neue Technologien Maschinelles Lernen Deep Learning Künstliche neuronale Netzwerke Digitale Kompetenz 

A primer on machine learning

Abstract

Background

The methods of machine learning and artificial intelligence are slowly but surely being introduced in everyday medical practice. In the future, they will support us in diagnosis and therapy and thus improve treatment for the benefit of the individual patient. It is therefore important to deal with this topic and to develop a basic understanding of it.

Objectives

This article gives an overview of the exciting and dynamic field of machine learning and serves as an introduction to some methods primarily from the realm of supervised learning. In addition to definitions and simple examples, limitations are discussed.

Conclusions

The basic principles behind the methods are simple. Nevertheless, due to their high dimensional nature, the factors influencing the results are often difficult or impossible to understand by humans. In order to build confidence in the new technologies and to guarantee their safe application, we need explainable algorithms and prospective effectiveness studies.

Keywords

New technologies Machine learning Deep learning Artificial neural networks Digital literacy 

Notes

Danksagung

Wir danken Frau Dr. Bettina Beuthien-Baumann für wertvolle Kommentare zum Manuskript.

Einhaltung ethischer Richtlinien

Interessenkonflikt

J. Kleesiek, J.M. Murray, C. Strack, G. Kaissis und R. Braren geben an, dass kein Interessenkonflikt besteht.

Für diesen Beitrag wurden von den Autoren keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.

Literatur

  1. 1.
    Bryan RN (2016) Machine learning in radiology. RSNA News 26:4–6Google Scholar
  2. 2.
    Cybenko G (1989) Approximation by superpositions of a sigmoidal function. Math Control Signals Syst 2:303–314.  https://doi.org/10.1007/BF02551274 CrossRefGoogle Scholar
  3. 3.
    Dechter R (1986) Learning while searching in constraint-satisfaction-problems. In: Proc. Fifth AAAI Natl. Conf. Artif. Intell. AAAI Press, S 178–183, https://dl.acm.org/citation.cfm?id=2887799, Philadelphia, Pennsylvania, 11–15 August 1986
  4. 4.
    Dewey M, Wilkens U (2019) The bionic radiologist: avoiding blurry pictures and providing greater insights. Npj Digit Med 2:65.  https://doi.org/10.1038/s41746-019-0142-9 CrossRefPubMedPubMedCentralGoogle Scholar
  5. 5.
    FeatureCloud https://featurecloud.eu/. Zugegriffen: 17. Sept. 2019
  6. 6.
    Grace K, Salvatier J, Dafoe A et al (2018) Viewpoint: when will aI exceed human performance? Evidence from aI experts. J Artif Intell Res 62:729–754.  https://doi.org/10.1613/jair.1.11222 CrossRefGoogle Scholar
  7. 7.
    Isensee F, Petersen J, Kohl SAA et al (2019) nnU-Net: Breaking the Spell on Successful Medical Image SegmentationGoogle Scholar
  8. 8.
    Joint Imaging Platform https://jip.dktk.dkfz.de/jiphomepage/. Zugegriffen: 3. Sept. 2019
  9. 9.
    Jones N (2014) Computer science: the learning machines. Nature 505:146.  https://doi.org/10.1038/505146a CrossRefPubMedGoogle Scholar
  10. 10.
    Kleesiek J, Murray JM, Kaissis GA, Braren R (2020) Künstliche Intelligenz und Maschinelles Lernen in der onkologischen Bildgebung. Onkologe.  https://doi.org/10.1007/s00761-019-00679-4 CrossRefGoogle Scholar
  11. 11.
    Murray JM, Kaissis G, Braren R, Kleesiek J (2019) Wie funktioniert Radiomics? Radiologe.  https://doi.org/10.1007/s00117-019-00617-w
  12. 12.
    Rich E (1983) Artificial intelligence. McGraw-Hill Inc, US. ISBN 10: 0-070-52261-8Google Scholar
  13. 13.
    van Soest J, Sun C, Mussmann O et al (2018) Using the personal health train for automated and privacy-preserving analytics on vertically partitioned data. Stud Health Technol Inform 247:581–585PubMedGoogle Scholar
  14. 14.
    Topol EJ (2019) Deep medicine: how artificial intelligence can make healthcare human again, 1. Aufl. Basic Books, Hachette Book Group, New YorkGoogle Scholar
  15. 15.
    Topol EJ (2019) High-performance medicine: the convergence of human and artificial intelligence. Nat Med 25:44–56.  https://doi.org/10.1038/s41591-018-0300-7 CrossRefPubMedGoogle Scholar
  16. 16.
    What is NFDI4Life Umbrella? https://www.nfdi4life.de/. Zugegriffen: 17. September 2019
  17. 17.
    Who Invented Backpropagation? http://people.idsia.ch/~juergen/who-invented-backpropagation.html. Zugegriffen: 18. September 2019
  18. 18.
    Xia Q, Sifah EB, Asamoah KO et al (2017) MeDshare: trust-less medical data sharing among cloud service providers via Blockchain. IEEE Access 5:14757–14767.  https://doi.org/10.1109/ACCESS.2017.2730843 CrossRefGoogle Scholar

Copyright information

© Springer Medizin Verlag GmbH, ein Teil von Springer Nature 2019

Authors and Affiliations

  • Jens Kleesiek
    • 1
    • 4
    Email author
  • Jacob M. Murray
    • 1
    • 2
  • Christian Strack
    • 1
    • 2
  • Georgios Kaissis
    • 3
  • Rickmer Braren
    • 3
    • 4
  1. 1.AG Computational Radiology, Abteilung RadiologieDeutsches Krebsforschungszentrum (DKFZ)HeidelbergDeutschland
  2. 2.Universität HeidelbergHeidelbergDeutschland
  3. 3.Department of Diagnostic and Interventional Radiology, School of MedicineTechnical University of MunichMünchenDeutschland
  4. 4.German Cancer Consortium (DKTK)HeidelbergDeutschland

Personalised recommendations