Felix Faber: „Die wichtigste Voraussetzung für moderne Krebstherapien ist, sehr genau zu wissen, welcher Tumor vorliegt. Für die Befundung wird ein Farbstoff eingesetzt, der sehr viele Zellen einfärbt, die sehr umfangreich und komplex gezählt werden müssen. Er heißt “PD-L1”. Einige Pathologen rebellieren fast dagegen, weil sie sich fragen, wie sie diese Arbeit manuell überhaupt zu Kassensätzen schaffen können. Deshalb gibt es ein sehr großes Interesse an der Anwendung von Künstlicher Intelligenz an dieser Stelle.“
Felix Faber ist Unternehmer und Informatiker. 2008 gründete er das Online-Spiele-Unternehmen Bytro Labs, welches 2013 mit der Stillfront Group fusionierte und 2015 an die Börse ging (aktuelle Marktkapitalisierung USD 3 Mrd.). Er verbrachte mehrere Monate im Silicon Valley mit dem German Accelerator. Mit der Universität Freiburg gewann er zwei Weltmeisterschaften im Roboterfußball. 2018 gründete er mit Dr. Tobias Lang das Startup MindPeak. MindPeak entwickelt mit Hilfe von künstlicher Intelligenz Bilderkennungssoftware für die Krebszellenanalyse und ist innerhalb weniger Jahre zu einem der führenden Unternehmen im Bereich des Einsatzes von KI zur Krebsdiagnostik aufgestiegen. Durch künstliche Intelligenz und Deep Learning wird der Arbeitsalltag von Pathologen erheblich erleichtert und die Ergebnisgenauigkeit durch die Zusammenarbeit von Mensch und KI deutlich erhöht. MindPeaks Mission ist es, mikroskopische und pathologische Analysen sehr viel mehr Menschen als bisher zugänglich zu machen.
Gunnar Brune/AI.Hamburg: Herr Felix Faber, woran arbeiten Sie?
Felix Faber: Wir entwickeln AI-Software für Pathologen in der Krebsbefundung bzw. Diagnostik. Pathologen schauen sich menschliches Gewebe an und suchen dort Tumorzellen. Das machen sie den ganzen Tag. Unsere Software unterstützt sie, in dem sie Tumorzellen anzeigt und weitere Auffälligkeiten auszählt, die ansonsten ein Pathologe mühselig auszählen muss.
Gunnar Brune/AI.Hamburg: Können Sie genauer beschreiben, was da passiert?
Felix Faber: Wenn bei einem Menschen ein Verdacht auf Krebs besteht, wird mit einer kleinen Nadel oder bei einer OP Gewebe entnommen und an ein pathologisches Labor geschickt. Dort wird das Gewebe in sehr dünne Scheiben geschnitten, auf einen Objektträger gelegt und mit speziellen Stoffen eingefärbt. Der Pathologe legt diesen Glasträger unter das Mikroskop oder scannt ihn und schaut sich das Bild am Bildschirm an. Das Bild wird ca. 400-fach vergrößert und dadurch sehr groß. Wenn man es ausdrucken würde, wäre es mehrere Meter breit und hoch. Auf diesem Bild werden dann die Krebszellen oder andere Strukturen gesucht. Wenn ich dieses riesige Bild auf meinem Computerbildschirm habe, kann ich natürlich auch mit Deep Learning trainierte Künstliche Intelligenz dafür einsetzen, um die Tumoren oder auffälligen Stellen zu finden und dem Pathologen zu zeigen. Es gibt noch eine zweite Tätigkeit der AI. Wenn ein Tumor gefunden wurde, dann muss er auch charakterisiert werden, um danach die Behandlung zu bestimmen. Ein Tumor hat verschiedene Eigenschaften, und diese können sichtbar gemacht werden. Dazu wird der Tumor mit Farbstoffen, die mit Antikörpern verbunden sind – es gibt hunderte davon – gefärbt, die mit dem Tumor reagieren. Der Pathologe muss die reagierenden Tumorzellen mit den nicht reagierenden ins Verhältnis setzen. Dadurch entsteht ein sehr genaues Bild von dem Tumor, das dem Onkologen sagt, welche Therapie und welche Medikamente eingesetzt werden können. Das manuelle Zählen ist zeitaufwändig, es dauert und ist auch eine Tätigkeit, die Pathologen nervt und für die gerne Unterstützung angenommen wird.
Dieses Zählen der Zellen und das Ergebnis ins Verhältnis zu setzen ist aber auch etwas, was der Computer sehr gut kann. Das Selektieren und Zählen einer großen Menge von Zellen ist mit dem Computer genauer, weil er in der üblichen Zeit nicht hunderte Zellen wie der Mensch, sondern tausende Zellen zählen kann und somit ein genaueres Ergebnis abliefert, als wenn man nur 100 Zellen auszählt.
Gunnar Brune/AI.Hamburg: Das Ergebnis ist also schon deshalb genauer, weil mehr Zellen gezählt werden können?
Felix Faber: Richtig. Es kann schon wichtig sein, welche 150 Zellen ausgezählt wurden, und ob sie etwas mehr links oder etwas mehr rechts liegen. Wenn es um 1 bis 2 Prozent geht, wie es bei einigen Tumoren der Fall ist, dann macht es schnell einen Unterschied, wo genau gezählt wurde. Da hilft es, wenn man mehrere tausend Zellen auszählen kann.
Abb.: AI-unterstützte Tumorzellenidentifikation. Foto MindPeak
Gunnar Brune/AI.Hamburg: Heißt das, dass die Häufigkeit eines bestimmten Zelltyps eine spezielle Therapie nach sich zieht, z.B. eine bestimmte Chemotherapie?
Felix Faber: Ja, häufig ist es in der modernen Krebstherapie allerdings so, dass es ein quasi “passgenaues” Medikament gibt, das statt der Chemotherapie zur Anwendung kommen kann und das ist dann das Ergebnis dieser Auszählung.
Gunnar Brune/AI.Hamburg: Also dank der AI kann man spezifischer therapieren und einige starke Nebenwirkungen vermeiden?
Felix Faber: Richtig.
Gunnar Brune/AI.Hamburg: Das ist ja schon sehr interessant. Was ist das spannendste Projekt, an dem Sie gerade arbeiten?
Felix Faber: Bisher waren alle Projekte spannend. Aber jetzt gibt es ein Projekt, wo es einen besonders hohen Bedarf seitens der Pathologen gibt. Dazu muss man wissen, dass viele Medikamente auf einer speziellen Mechanik in den Zellen aufbauen, dem so genannten programmierten Zelltod. Dieser wird durch das Immunsystem eingeleitet und dieser Mechanismus schlägt bei den Tumorzellen fehl, weil sie sich quasi davor verstecken. Der programmierte Zelltod wird durch ein Protein geregelt, für dessen Entdeckung vor kurzem sogar der Nobelpreis verliehen wurde. An diesem Punkt setzen eine ganze Reihe von Medikamenten an und die Behandlungsergebnisse sind teilweise extrem gut. Die wichtigste Voraussetzung für moderne Krebstherapien ist, sehr genau zu wissen, welcher Tumor vorliegt. Für die Befundung wird ein Farbstoff eingesetzt, der sehr viele Zellen einfärbt, die sehr umfangreich und komplex gezählt werden müssen. Er heißt “PD-L1”. Einige Pathologen rebellieren fast dagegen, weil sie sich fragen, wie sie diese Arbeit manuell überhaupt zu Kassensätzen schaffen können. Deshalb gibt es ein sehr großes Interesse an der Anwendung von Künstlicher Intelligenz an dieser Stelle.
Einerseits findet man glücklicherweise immer mehr Tumorarten, auf die dieses Medikament anspricht. Es steigt also auch die Zahl der Fälle, die so aufwändig ausgewertet werden müssen. Andererseits ist die Arbeit der Pathologen in diesem Fall so extrem umfangreich und wird in diesem Maße nicht von den Krankenkassen vergütet, so dass man wirklich eine Lösung finden muss.
Es ist ein allgemeines Problem in der Pathologie, dass es durch die Alterung der Gesellschaft, immer mehr Tumorfälle gibt. Es gibt aber auch immer mehr Medikamente, die gut wirken, aber eine so aufwändige und genaue Befundung verlangen wie eben beschrieben. Entsprechend steigt die Zahl der Objektträger, die jeder Pathologe pro Patient zu analysieren hat. In letzter Zeit ist auch deshalb der Beruf des Pathologen nicht mehr so attraktiv und in Europa und Amerika sinkt die Zahl der aktiven Pathologen.
Kurz gesagt: Die Zahl der Patienten steigt, die Zahl der Analysen pro Patient und der Aufwand pro Analyse nehmen zu, aber die Zahl der Pathologen sinkt. Das führt zwangsläufig zu langen Wartezeiten für Patienten und in bestimmten Situationen provoziert dieser Druck auch Fehldiagnosen.
Gunnar Brune/AI.Hamburg: Das bedeutet, dass es sich um eine strukturelle Herausforderung der modernen Medizin handelt. Viele dieser neuen Medikamente können gar nicht zur Anwendung kommen, wenn man nicht die Ärzte bzw. Pathologen befähigt, genau zu identifizieren, welchem Patienten welches dieser sehr spezifischen Medikamente helfen kann.
Felix Faber: Und es kommen täglich mehr und komplexere Medikamente, die auch noch genauere Auszählungen verlangen. Während es früher ausreichte, ab 20 Prozent der untersuchten Zellen ein Medikament einzusetzen, liegt dieser sogenannte Threshold heute oft bei 1 bis 2 Prozent, innerhalb derer ein spezielles Medikament zum Einsatz kommen kann.
Gunnar Brune/AI.Hamburg: Was sind die Methoden, was sind die Künstlichen Intelligenzen, die Sie einsetzen, um zu diesen Ergebnissen zu kommen?
Felix Faber: Wir beschäftigen uns schon seit langer Zeit, seit 2001, mit neuronalen Netzen. Sie waren mal aus der Mode gekommen, sind aber seit 2012, weil sie viele Daten und Rechenpower benötigen, wieder sehr nützlich geworden. Wir setzen stark auf diese Technologie und entwickeln unsere eigenen Netzwerkarchitekturen, weil wir vor sehr unterschiedlichen Herausforderungen stehen. Wir verwenden also keine vorgebaute oder vortrainierte Architektur aus dem Internet..
Was ist anders bei uns? Zum einen: Zellen sehen ganz anders aus als Echtweltobjekte wie Autos, Fußgängerüberwege, Fahrräder und deshalb passen normale AI-Architekturen nicht auf uns. Zum anderen müssen wir in der Diagnostik mit einer unglaublichen Geschwindigkeit arbeiten. Der Pathologe arbeitet mit riesigen Bildern, aber er will sich kein riesiges Computingcluster in sein Arztzimmer stellen. Deshalb haben wir sehr viel mit Netzarchitekturen getestet, die auf eine Gaming-Grafikkarte passen und nicht ein riesiges Amazon-Webservices-Cluster benötigen. Die dritte Sache, die sehr wichtig ist, ist die Art und Weise des Trainings der AI. Wir setzen unüberwachte Methoden ein, um die Netze zu initialisieren und so die Menge der Daten, die von Ärzten gelabelt – also verifiziert – werden muss, auf ein Minimum zu begrenzen. Unsere Daten müssen immer von Ärzten gelabelt werden, teilweise auch von mehreren Ärzten. Das ist natürlich teuer. Wir können nicht mit Laien arbeiten, wie dies beim autonomen Fahren stattfindet, wo jeder Mensch weiß, wie ein Baum aussieht. In unserem Fall sind es hochkomplexe Strukturen, und das muss der Experte machen.
Gunnar Brune/AI.Hamburg: Sie setzen unüberwachte Methoden ein?
Felix Faber: Wir setzen unüberwachtes Lernen ein, unsupervised Learning in neuronalen Netzen. Man kann sagen, dass das eine Art von Clusterung ist. Die AI lernt selbst, aus den bestehenden Daten bestimmte Cluster zu bilden. Diese setzen wir ein, um ein neuronales Netz vorzutrainieren. Dann hat es schon mal etwas gelernt, es weiß aber noch nicht, was. Dann kommen die Experten und labeln mit ihrem Wissen. Sie sagen also dem Netz, was es gefunden hat. In anderen Worten: Die Initialisierung erfolgt durch unsupervised Learning und im zweiten Schritt wird dann mit gelabelten Daten nachtrainiert.
Gunnar Brune/AI.Hamburg: Woher stammen die Daten?
Felix Faber: Wir sind gleich zu Beginn sehr relevante Partnerschaften mit Kliniken eingegangen, z.B. mit der größten norddeutschen Pathologie, dem Institut für Hämatopathologie Hamburg und der Charité in Berlin. Mittlerweile haben wir 10 Partnerschaften mit verschiedenen Laboren. Diese Labore entwickeln mit uns zusammen neue Produkte. Durch sie bekommen wir auch die Basisdaten, also Scans von Objektträgern. Das Labeling der Objektträger führen wir mit unserem Pathologennetzwerk durch.
Gunnar Brune/AI.Hamburg: Ist das noch ein Experimentalstadium oder gibt es schon Pathologen, die Ihre Produkte gekauft haben?
Felix Faber: Unsere Künstliche Intelligenz wird schon verkauft und ist mittlerweile in 8 Laboren im Einsatz.
Gunnar Brune/AI.Hamburg: Wohin geht die Reise?
Felix Faber: Die Krebs-Befundung bzw. Krebsdiagnostik ist ein breites Feld. Es gibt viele Tumor-Arten und es gibt viele verschiedene Tätigkeiten, die der Pathologe dort tun muss. Wir haben bisher Zellenauszählungen im Brust- und Lungenbereich durchgeführt und auch die Nagelpilz-Diagnose unterstützt. Letztlich ist unser Ziel, in den nächsten vier Jahren 80 Prozent der Tätigkeiten der Pathologen mit AI zu unterstützen. Es bleibt also viel zu tun. Letztlich ist es das Ziel, die Pathologen zu unterstützen, den Workload bewältigen zu können, der in der Zukunft auf sie zukommt, und insgesamt die Befundung schneller und günstiger machen zu können.
Gunnar Brune/AI.Hamburg: Wie sieht es mit der Akzeptanz der Künstlichen Intelligenz bei den Ärzten aus?
Felix Faber: Auf jeden Fall hilft es, dass AI bei Pathologen in aller Munde ist. Seit etwa drei Jahren werden auf Konferenzen sehr viele Paper über AI-Lösungen vorgestellt. Die Erwartung ist also, diese Technologie endlich auch nutzen zu können. Die Realität ist allerdings, dass die klinische Befundung ein manueller Prozess ist, der in jedem Labor ein wenig unterschiedlich ist. Das heißt, die Proben sehen alle ein wenig anders aus. Der Mensch kann sie trotzdem auswerten, aber die Maschine hat Schwierigkeiten, mit dieser Varianz umzugehen. Letztlich ist das eins der größten Probleme, warum bisher noch so wenig Lösungen in die Pathologie Anwendung gefunden haben. Das wird auch oft unterschätzt. Es gibt dann Studien, in denen 98 Prozent Genauigkeit in der Brustkrebserkennung erreicht wird, aber dann macht der Scannerhersteller ein Softwareupdate und die Studie ist nicht mehr reproduzierbar. Wenn eine AI overfittet ist, also zu spezifisch auf eine ganz bestimmte Umgebungssituation trainiert wurde, dann treten genau diese Probleme auf.
Einer unserer USPs ist, dass wir mit der Varianz, die es in der klinischen Routine gibt, umgehen können. Wir haben eine AI, die in allen Labors funktioniert und müssen sie nicht für jedes Labor neu einstellen.
Gunnar Brune/AI.Hamburg: Wie konnte das gelingen?
Felix Faber: Viel Ausprobieren in der Architektur und der Selektion der Trainingsdaten. Es ist wichtig, eine Breite bei den Labors zu haben. Die Tiefe der Daten ist nicht so entscheidend. Es ist ebenso wichtig, Daten von vielen Scannern und Stainern, also den Färbeautomaten, zu bekommen.
Gunnar Brune/AI.Hamburg: Also nicht nur die „guten auswählen“ und zu stark standardisieren zum Anfang?
Felix Faber: Genau, wir wollen ja den Pathologen in ihrem heutigen Alltag helfen, aber wir wollen nicht, dass sie ihren Workflow für uns umstellen müssen. Unser Ansatz ist nicht, schrittweise vorzugehen und erst mit einem Labor zu trainieren und dann mit dem nächsten und dem nächsten. Unser Denken ist, dass, wenn man Fliegen lernen will, nicht schneller mit den Flügeln flattern sollte, sondern ein eigenes Konzept haben sollte: ein Flugzeug. Nur mit einer wirklich neuen Lösung können wir eine neue Eigenschaft erschaffen. Deshalb habe wir einen neuen, anderen Ansatz gewählt, der sehr erfolgreich ist.
Dazu gehört, dass wir viele Methoden komplett geändert haben. Wir haben mit Augmentierungsmethoden gearbeitet wie sie auch in der Automobilindustrie eingesetzt werden, aber wir haben sie grundsätzlich verändert und an „unsere“ Zellstrukturen angepasst, indem wir mit künstlichen Daten eine notwendige Breite in die Daten gegeben haben.
Gunnar Brune/AI.Hamburg: Was ist eine Augmentierungsmethode?
Felix Faber: Wenn wir ein Bild von einer Zelle haben, ist dieses meistens lila eingefärbt. Die Farbtöne der Labore unterscheiden sich aber. Statt mit den Daten von verschiedenen Laboren zu arbeiten, haben wir von uns aus am Computer Lilatöne verändert und damit die Künstliche Intelligenz trainiert. Das ist natürlich nicht genau dasselbe und nicht die gleiche Art der Komplexität. Aber das Vorgehen unterstützt das neuronale Netze dabei, generalisieren zu können.
Ich glaube, was ich jetzt sage, ist eine Urban Legend, aber es hilft ganz gut, das Problem zu verstehen. Es gab mal eine AI, die war ganz gut darin, Panzer zu erkennen. Man hat dann festgestellt, dass sie nicht die Panzer erkannt hatte, sondern, weil Panzer meist bei schlechtem Wetter fotografiert wurden, von grauem Wetter auf graue Panzer geschlossen. Eine Datenaugmentierung hätte jetzt den Himmel mal blau und mal rot gefärbt und so verhindert, dass das neuronale Netz „schummelt“.
Es macht deshalb Sinn, sich früh zu fragen, was der Alltag in den Labors mit sich bringt. Und so haben wir ganz früh Workshops mit Pathologen gemacht, um zu sehen, was für eine Unterstützung wirklich benötigt wird. Am Ende war es dann so: Die Ideen für die unsere Produkte kamen aus den Laboren selbst!
Gunnar Brune/AI.Hamburg: Sie sagen, dass Sie mit neuronalen Netzen arbeiten, bei denen man zunächst nicht erklären kann, was sie tun, betonen aber die Erklärbarkeit der eigenen Lösungen. Wie passt das zusammen?
Felix Faber: Wenn wir ein Netz anwenden, dann erhalten wir am Ende eine Zahl. Zum Beispiel kann es sein, dass 1.000 Zellen gezählt wurden und 30 Prozent davon gefärbt wurden. Diese geben wir den Pathologen für seinen Report zurück. Aber natürlich ist schwer nachzuvollziehen, wie diese Zahl zustande gekommen ist. Deshalb visualisieren wir die Basis, auf der das neuronale Netz zählt und markieren bzw. zeigen dem Pathologen, was das Netz zu jeder dieser Zellen denkt. So kann nachvollzogen werden, dass das Ergebnis, in diesem Fall die Zahl 30 Prozent, plausibel ist. Je nach Anwendungsfall zeigen wir, was die Künstliche Intelligenz mit welcher Wahrscheinlichkeit identifiziert hat. Nehmen wir mal den Nagelpilz als Beispiel. Dabei kann man herauslesen, wo genau die Pilze mit welchen Wahrscheinlichkeiten sind und selbst beurteilen, wie die AI gearbeitet hat.
Gunnar Brune/AI.Hamburg: Im Zusammenhang mit Gesundheit und AI geht es sehr oft um Krebserkrankungen und Leben und Tod. In diesem Gespräch taucht jetzt immer wieder das Stichwort Nagelpilz auf, ein Thema, das man eher bei der TV-Werbung verortet. Was ist da los? Ist das für Sie überhaupt profitabel?
Felix Faber: Naja, Nagelpilz ist weit verbreitet und er wird auch von Pathologen untersucht, von Dermato-Pathologen. Nur wird hier ein Nagel geschnitten und auf Objektträgern nach Pilzen untersucht. Natürlich hat eine Nagelpilzdiagnose nicht die gleiche Bedeutung wie die Suche nach einem Tumor. Aber es ist generell der gleiche Vorgang: Ob ich Tumorzellen suche oder Pilze suche, ich suche die Nadel im Heuhaufen. Ich muss auf einem riesigen Bild kleine Veränderungen wahrnehmen.
Gunnar Brune/AI.Hamburg: Ist das für Sie ein Experimentier- oder Geschäftsfeld?
Felix Faber: Ich würde sagen, beides. Es ist ein Geschäftsfeld, denn wir machen nichts, was die Pathologen nicht wollen. In dem ersten Fall war es ein Projekt, eine Doktorarbeit, von einer Dermato-Pathologin zusammen mit dem Dermatologikum hier in Hamburg, die das Problem gerne lösen wollten.
Gunnar Brune/AI.Hamburg: Sie beschäftigen sich, wie aktuell viele, die mit Künstlicher Intelligenz arbeiten, mit Neuronalen Netzen und mit Grafikkarten, die aus der Gaming-Welt stammen. Wie kommt es dazu, was ist der technologische Hintergrund?
Felix Faber: Ich denke, aktuell führt an neuronalen Netzen und Grafikkarten kaum ein Weg vorbei. Als wir angefangen haben, mit Künstlicher Intelligenz zu arbeiten, und sie das erste Mal angewendet haben, gab es Methoden, die zu den damaligen Bedingungen besser funktioniert haben, wie zum Beispiel Support-Vector-Machines. Aber die waren furchtbar schwierig zu parametrisieren, also einzustellen. Schon damals hat unser Professor Martin Riedmiller daran gearbeitet, komplette Bilder einem neuronalen Netz zu geben, um darauf etwas zu erkennen. Als ich davon das erste Mal hörte, dachte ich noch, „ok, das ist schwer!“. Aber dann kam die Idee auf, Bilddaten auf Grafikkarten zu rechnen, was die Berechnung extrem beschleunigt hat. Dann wurden auch noch die Datenmengen immer größer. Und man hat festgestellt, dass diese Methode bei den größeren Datenmengen und der neu vorhandenen Rechenpower am besten skaliert bzw. funktioniert.
Warum hat man das vorher anders gemacht? Nun, man hatte nicht so viel Rechenpower und die Testdatensätze, mit denen man gearbeitet hat waren auch relativ klein. Also eher ein paar hundert Textseiten oder ein paar hundert Bilder. Es gab eine Art Wettbewerb zwischen den Forschern, wer damit am besten trainieren konnte. Man hat sich damals noch nicht vorstellen können, dass man auch auf Millionen von Bildern trainieren könnte. Letztendlich haben sich diese Methoden extrem weiterentwickelt. Seit 2012 schlagen sie alle AI- Wettbewerbe und sind entsprechend State of the Art. Sie sind auch das, was ich konkret mit AI meine. Eigentlich umfasst AI ja viel mehr, also alle Methoden, die versuchen, Aufgaben zu lösen, die der Mensch schon löst. Heute verbindet man aber im Alltagsgebrauch vor allem Deep Learning mit künstlicher Intelligenz
Gunnar Brune/AI.Hamburg: Welche weiteren Felder öffnen sich mit dem, was Sie tun für die Medizin in der Zukunft?
Felix Faber: Es gibt viele Unternehmen, die mit Künstlicher Intelligenz arbeiten, und die auf einigen Gebieten sehr, sehr gut, aber auch sehr spezialisiert sind. MindPeak ist anders und eher ein Unternehmen, das sich breit aufgestellt hat. Einige meiner Gründer-Kollegen und ich, wir beschäftigen uns schon sehr lange mit Künstlicher Intelligenz, Deep Learning und Machine Learning. Die Arbeit mit Pathologen und Laboren nimmt bei uns eine große Rolle ein, weil ihre Bedeutung steigt und sie ein wachsender Kostenfaktor im Gesundheitssystem ist.
Wir werden als Gesellschaft älter, die Möglichkeiten der Medizin werden mehr, es muss in irgendeiner Form gelingen, die Kosten zu beherrschen. Hier haben wir mit Künstlicher Intelligenz ein unglaublich großes Potenzial. AI wird sehr viel leisten können. So viel, dass wir uns die Frage stellen müssen, was die AI nicht leisten soll! Weil wir wollen, dass bestimmte Handlungen und Entscheidungen zwingend von einem Menschen getroffen werden müssen.
In Gesprächen sagen mir Pathologen, dass sie begeistert sind von den Möglichkeiten der neuen teilweise sehr speziell bzw. individuell wirksamen Medikamente. Aber diese benötigen, wie wir schon beschrieben haben, einen großen Aufwand in der Pathologie und sie kosten zusätzlich auch hunderte bis tausende Euro. Wenn man sie dem falschen Patienten gibt, ist dem Patienten in einer oft lebensbedrohenden Situation nicht geholfen und das Gesundheitssystem ist zusätzlich finanziell sehr stark belastet. Insgesamt erhöht sich der Druck auf die Pathologen immer mehr. Gerade hier liefert die Künstliche Intelligenz einen mehrfach wichtigen Beitrag zum medizinischen Fortschritt.
Hamburg hat für sich selbst erklärt, ein Leuchtturm für Künstliche Intelligenz werden zu wollen. Das finden wir toll und daran arbeiten wir mit. Wir sehen aber auch, was noch zu tun ist, damit Hamburg diese Leuchturmfunktion auch ausfüllen kann.
Gunnar Brune/AI.Hamburg: Leuchtturmfunktion ist ein gutes Stichwort. Sie beschäftigen sich seit Beginn dieses Jahrtausends mit Künstlicher Intelligenz. Was sagen Sie einem Mittelständler, der vielleicht auch in der Medizintechnik beheimatet ist und exzellente Arbeit leistet, vielleicht in Linsentechnik Weltspitze ist, aber von neuronalen Netzen noch nie etwas gehört hat? Was sagen sie ihm, wie man den Einstieg findet.
Felix Faber: Ich rate dazu, dass man jemanden fragt, der sich mit AI auskennt, um die Denkweise zu verstehen und erstmal zu begreifen, welche Probleme man damit lösen kann.
In der Aufzählung, kurz vor dem Ende des Intreviews muss ein Wort gestrichen werden:
- ich Daten brauche
- die Daten Beispiele sind
- mit diesen Beispielen etwas trainiert wird
- man verstehen muss, dass eine Änderung der Umgebung dazu führen kann, dass meine AI nicht mehr funktioniert.
Daraufhin muss ich schauen, wo es solchen Probleme gibt, um sie anschließend mit AI anzugehen. Meistens sind es Aufgaben, die sich häufig wiederholen, wie zum Beispiel in der Qualitätskontrolle am Fließband. Oder die Identifikation von Vorkommnissen, die aus der Norm fallen, wie bei der Predictive Maintenance. Wenn ich weiß, was ich mit AI tun will, stehen mir zwei Wege offen: Ich kann jemanden einstellen, der mir die Lösung entwickelt oder ich kann die Arbeit an einen externen Dienstleister herausgeben. Klar ist, dass unternehmensinterne Experten für die jeweilige Anwendung benötigt werden. Sie sind es, die Daten generieren und labeln, etwa wie die Pathologen und Labore, mit denen wir arbeiten, wie ich es eingangs beschrieben habe. Das heißt auch: Man kann die Datenerhebung oft nicht komplett outsourcen.
Gunnar Brune/AI.Hamburg: Was planen Sie als nächstes?
Felix Faber: Wir entwickeln eine Lösung für Lymphknoten-Metastasen, also Tumore, die metastasieren. Gerade bei Brustkrebs werden Lymphknoten, in diesem Fall Wächter-Lymphknoten, entnommen, um zu prüfen, ob sich in ihnen Metastasen befinden. Für diese Untersuchung entwickeln wir gerade gemeinsam mit dem Institut für Hämatopathologie Hamburg eine Künstliche Intelligenz.
Gunnar Brune/AI.Hamburg: Diese Entwicklungen verlangen nach Investitionen. Wie sind Sie finanziert, wie überzeugen Sie Ihre Investoren?
Felix Faber: Wir sind Venture-Capital finanziert, wir haben zu Beginn eine ganze Reihe von Business-Angels, vor allem aus der Labor-Branche für uns begeistern können und dann einige Venture Capitalists aus dem Healthcare Bereich und die Stadt Hamburg als Investoren gewinnen können.
Gunnar Brune/AI.Hamburg: Sie entwickeln sich weiter. Was würden Sie sich wünschen, um die Hürden, die bestehen zu überwinden?
Felix Faber: Es würde sehr helfen, wenn hier ein Ökosystem, gerade für AI-Unternehmen, idealerweise auch noch im Health-Bereich, entstehen würde. Ich war selbst einige Male und auch länger in San Francisco und im Silicon Valley und die Region zieht offensichtlich viel Knowhow und Leute an. Dort wird Wissen schnell geteilt. Es würde deshalb sehr helfen, auch hier so ein Ökosystem zu haben, das Investoren und Mitarbeiter anzieht und wenn klar wäre: „Mensch, für AI, ganz besonders Health AI, dafür muss ich in Hamburg investieren und in Hamburg arbeiten.“ Man könnte sehr viel erreichen, wenn man die Brand der Stadt in diesem Sinne nach außen stärker formen würde.
Gunnar Brune/AI.Hamburg: Herr Faber, vielen Dank für das Gespräch.
Das Interview führt Gunnar Brune von AI.Hamburg
Gunnar Brune
Gunnar Brune ist Marketing Evangelist, Strategie- und Storytellingexperte. Er ist Unternehmensberater mit Tricolore Marketing, Storyteller mit Narrative Impact, Gesellschafter des NEPTUN Crossmedia-Awards, Autor und mehrfaches Jurymitglied für Awards in den Bereichen Marketing, Kommunikation und Storytelling. Weiterhin ist Gunnar Brune im Enable2Grow Netzwerk assoziiert und engagiert sich im Rahmen von AI.Hamburg für die Vermittlung der Möglichkeiten und die Förderung des Einsatzes von Künstlicher Intelligenz.
Gunnar Brune ist Autor von dem Marketing Fachbuch „Frischer! Fruchtiger! Natürlicher!” und dem Bildband „Roadside”. Er ist Co-Autor der Bücher: “DIE ZEIT erklärt die Wirtschaft” und “Virale Kommunikation” und er schreibt seit vielen Jahren regelmäßig für Fachmagazine. Seine Artikel finden sich u.a. in der Advertising Age (Fachmagazin Werbung USA), Horizont, Fischers Archiv und der RUNDSCHAU für den Lebensmittelhandel.
Kontaktinformation:
Gunnar Brune, gunnar@ai.hamburg, 0176 5756 7777
