(09.02.2020) Der Neurowissenschaftler Simon B. Eickhoff ergründet an der Universität Düsseldorf sowie dem Forschungszentrum Jülich mithilfe von künstlicher Intelligenz Organisationsprinzipien des menschlichen Gehirns. Laborjournal fragte ihn, wie viel Gehirn Computer in absehbarer Zukunft lesen können.
Laborjournal: Sie lesen bestimmte Anteile des Gehirns aus. Welche und wie?
Eickhoff » Wir sagen Persönlichkeitsmerkmale voraus. Dazu brauchen wir zwei möglichst große Datensätze von möglichst vielen Personen: Erstens neurobiologische Information in Form von Gehirnscans und zweitens die Ausprägung einer Zielvariable, zum Beispiel der Gedächtnisleistung. Mit maschinellen Lernalgorithmen suchen wir dann mathematische Muster, ob Neurobiologie und Zielvariable innerhalb einer Probandengruppe korrelieren. Falls ja, fragen wir, ob sie generalisieren und wir sie an neuen Probanden evaluieren können.
Wären solche Mustervorhersagen ohne maschinelles Lernen möglich?
Eickhoff » Nein, denn Muster sind multivariat verteilt. Das menschliche Auge kann sie nicht erfassen. Allerdings ist maschinelles Lernen ein weiter Begriff. In meiner Gruppe verwenden wir Relevance-Vector-Machines (RVM), also Algorithmen, die eine kontinuierliche Zielvariable aus Features vorherzusagen lernen. Als Features benutzen wir die Konnektivität bestimmter Hirnareale.
Und Hirnareale scannen Sie womit?
Eickhoff » Wir sind an keine bestimmte Datenmodalität gebunden. Wir können Positronen-Emissions-Tomographie (PET), Magneto-Enzephalographie (MEG) und Elektro-Enzephalographie (EEG) verwenden, nutzen jedoch mit Abstand am häufigsten die strukturelle und funktionelle Magnet-Resonanz-Tomographie (MRT).
Was genau messen Sie beim MRT?
Eickhoff » Drei Eigenschaften: Im strukturellen MRT vergleichen wir die relative Größe verschiedener Gehirnareale, womit wir etwa das Alter einer Person auf drei, vier Jahre genau bestimmen können. Beim funktionellen MRT schauen wir uns die Blut-Oxygenierung aktivierter Hirnareale an. Und in der Diffusionsbildgebung verfolgen wir die Architektur von Nervenbahnen.
Und wie quantifizieren Sie die Zielvariable?
Eickhoff » Indem wir eine möglichst breite Mischung an Leuten psychometrische Fragebögen ausfüllen lassen, wie etwa das NEO-Fünf-Faktoren-Inventar nach Costa und McCrae, das individuelle Unterschiede erfasst. Aufgrund des Aufwands stammen unsere Datensätze aber oft aus öffentlichen Datenbanken.
Welche Persönlichkeitszüge können Sie denn auslesen?
Eickhoff » Eine ganze Reihe. Sowohl in der interindividuellen Varianz zwischen gesunden Personen, wie zum Beispiel Alter, Geschlecht, Intelligenz, Aufmerksamkeitsleistung, Arbeitsgedächtnis und Multitasking-Fähigkeiten – aber auch Charaktereigenschaften wie Offenheit, Gewissenhaftigkeit und emotionale Labilität. Und natürlich gibt es viele Studien zur automatisierten Diagnose von Demenz und Schizophrenie.
Was wird denn niemals auslesbar sein?
Eickhoff » Alles, was einen komplexen Antwortraum hat und daher praktisch unmöglich ist. Denn für jede Antwortmöglichkeit müssen wir Hunderte von Leuten beobachten. Übrigens trifft es der Begriff „auslesen“ nur schlecht. Momentan erhalten wir zwischen realen und vorhergesagten Zielvariablen Korrelationsstärken von 0,4 bis 0,7, zumindest auf der Gruppenebene. Wir können aus der Repräsentation bestimmter Eigenschaften im Gehirn also Rückschlüsse auf neue Probanden ziehen. Das Gehirn einer Einzelperson aber können wir noch nicht so sicher auslesen, um Entscheidungen über sie zu treffen.
Von Mensch zu Mensch ist also nichts übertragbar?
Eickhoff » Doch, aber die Genauigkeit ist das Problem. Für Gruppen stimmen unsere Vorhersagen sehr gut. Jemand, der beispielsweise ein schlechtes Arbeitsgedächtnis hat, wird auch tatsächlich als „niedrig“ vorausgesagt – und umgekehrt. Die individuelle Streuung ist aber hoch.
Können Sie den Ist-Zustand von Gruppen über die Zeit extrapolieren?
Eickhoff » Ja, bei deterministischen Abläufen wie dem Fortschreiten einer Demenz. Häufig wird der prognostische Trichter aber umso unsicherer, je weiter wir in die Zukunft schauen. Denn das menschliche Leben ist meist nicht deterministisch. Äußere Umstände und Zufälle machen unsere Vorhersagen auf eine einzelne Person bezogen leicht zunichte. Und es gibt natürlich auch die Handlungsmacht des Menschen.
Handlungsmacht?
Eickhoff » Bewusste Entscheidungen wie Änderungen des Lebensstils. Wollen Sie etwa die Rückfallwahrscheinlichkeit in eine Depression vorhersagen, und der Patient fängt an, prophylaktisch Medikamente einzunehmen, dann ist die Prognose hin.
Lässt sich denn der Lebensstil durch Mustererkennung herleiten?
Eickhoff » Dauerhafte Einflüsse wie zum Beispiel Mangelernährung, Gesundheitsverhalten oder soziale Aktivität sollten sich relativ gut im Gehirn abbilden. Das ist die Plus-Seite der Plastizität unseres Nervensystems. Aber das ist noch nicht getestet worden.
Wie praktisch relevant ist also Ihre Forschung?
Eickhoff » Aktuell sind wir in der Dämmerungszone zwischen wissenschaftlich schön und praktisch relevant. Erste Anwendungen werden in einigen Jahren herauskommen, beispielsweise bei Diagnose und Prognose im neurodegenerativen Bereich. Anwendungen im gesunden Bereich werden länger dauern. Aber irgendwann wird wahrscheinlich ein Arzt, ein Richter, ein Personaler unsere Testergebnisse unterstützend in seine letztendlich menschliche Entscheidung einbeziehen.
Sind Konkurrenzverfahren zur MRT in irgendeiner Hinsicht weiter?
Eickhoff » Aktuell spannend ist die Frage, ob man aus den Sensordaten von Smartphones und Smartwatches – etwa zu Schrittanzahl, Bewegungsradius und Tippgeschwindigkeit – Persönlichkeitsprofile oder diagnostische Kriterien erheben kann. Vielleicht ist es ja möglich, aus deren Trajektorien über die Zeit abzulesen, dass die Wirkung von Medikamenten nachlässt oder ein Rückfall in Depressionen bevorsteht.
Also ein Auslesen von Gehirnen ohne Gehirnscans?
Eickhoff » Möglicherweise. In dem Bereich herrscht gerade Goldrauschstimmung. Aber noch haben wir zu wenige Ergebnisse.
Wo sehen Sie Ihre Forschung in Zukunft?
Eickhoff » In zehn Jahren haben wir hoffentlich die ersten konkreten Anwendungen in der Klinik, mit realem Nutzen für Patienten. Bis dahin müssen wir aber die Genauigkeit und Robustheit unserer Algorithmen erhöhen, vor allem gegenüber Scannereffekten. Und wir müssen erforschen, wie die Wahl des Algorithmus‘ mit der Größe verfügbarer Datensätze zusammenhängt. Denn die Fallzahl ist einer unserer Flaschenhälse. Trotz Hunderter Probanden decken wir die Varianz in der Population nicht gut genug ab. Leider existieren ja keine Langzeit-Datensätze von Tausenden Parkinson-Patienten gegenüber Tausenden Kontrollen.
Was meinen Sie mit Scannereffekten?
Eickhoff » Auf dem subtilen Level, auf dem maschinelle Lernverfahren nach hochdimensional verteilten Mustern suchen, hinterlassen MRT-Scanner spezifische Fingerprints. Mit neunzigprozentiger Genauigkeit können wir ablesen, in welchem Tomograph ein Proband steckte. Das ist aber problematisch, weil alle Muster je nach MRT-Scanner leicht anders sind, und unser Algorithmus dann am zwanzig Kilometer entfernten Krankenhaus nicht mehr funktioniert. Für eine Praxistauglichkeit müssen wir da aber hin. Das bringt uns wieder zum Fallzahl-Argument. Solange wir Daten vieler Standorte über die Zeit poolen müssen, leiden unsere Vorhersagen.
Oder Ihre KI ist doch nicht intelligent genug?
Eickhoff » Na ja, ich habe mit dem Begriff künstliche Intelligenz insgesamt meine Schwierigkeiten. Ich kann mir nicht vorstellen, was das jenseits einer theoretisch perfekten Mustererkennung sein soll. Selbst wenn ein Scanner alle Informationen über eine Person erfassen könnte, wäre das im engeren Sinne nicht intelligent, weil er Hunderttausende Probanden zuvor gesehen hat. Der Begriff KI ist zu weiten Teilen ein Werbebegriff.
Welcher Begriff wäre denn geeigneter?
Eickhoff » Warum nicht Mustererkennung? Das klingt zwar wenig attraktiv, trifft es aber ganz gut.