3 Fragen an…

Dr. Lea Eckhart

Gruppenmitglied

Ich habe 2025 an der Universität des Saarlandes zum Thema vertrauenswürdiger Machine Learning Verfahren für die personalisierte Krebsbehandlung promoviert. Seitdem arbeite ich als Post-Doc am Lehrstuhl „KI and Multi Omics Data“, der zum Institut für Medizinische Bioinformatik der Universitätsmedizin Göttingen gehört.Meine Forschung befasst sich weiterhin mit der Entwicklung vertrauenswürdiger Machine Learning Modelle für medizinische Fragestellungen. Damit wir den Vorhersagen künstlicher Intelligenzen in der Forschung, Medikamentenentwicklung und Behandlung von Patient*innen vertrauen können, spielen neben der Vorhersage-Korrektheit auch Kriterien wie Zuverlässigkeit, Interpretierbarkeit und Robustheit eine zentrale Rolle. Leider werden diese Faktoren bei der Modellentwicklung oft vernachlässigt oder gegeneinander ausgespielt. Daher entwickle ich neue Methoden, die „Vertrauenswürdigkeit“ als vielschichtiges Konzept behandeln und möglichst viele der oben genannten Kriterien erfüllen. Neben onkologischen Fragestellungen befasse ich mich außerdem mit der Vorhersage von Antibiotikaresistenzen basierend auf klinischen Routinedaten von Bakterien- und Pilzinfektionen.

1.

Sie erforschen, wie KI das Ansprechen von Krebsmedikamenten vorhersagen kann. Welche Chancen eröffnet dieser Ansatz für eine stärker personalisierte Krebsbehandlung?

Unsere Modelle lernen, aus Multi-Omics-Daten von Krebszellen (z. B. Genexpression, DNA-Mutationen) vorherzusagen, ob ein Medikament zur Behandlung geeignet ist. Neben der reinen Vorhersage können sie Einblicke liefern, welche Eigenschaften der Krebszellen und Medikamente die Wirksamkeit positiv oder negativ beeinflussen. Dieses Wissen erlaubt die Definition zunehmend spezifischer Krebssubtypen mit entsprechenden Therapiestrategien. Zudem können unsere Modelle helfen, gezielt Medikamente mit verbesserter Wirksamkeit für spezifische Subtypen zu entwickeln. Ein finales Ziel ist die Entwicklung klinisch anwendbarer Modelle, die basierend auf Tumor- und Patient*innendaten personalisierte Behandlungsempfehlungen liefern, mit denen die Therapie effizienter und verträglicher gestaltet werden soll.

2.

Wie können Forschende sicherstellen, dass die Empfehlungen eines KI-Systems für Ärztinnen und Ärzte nachvollziehbar und verständlich bleiben?

Verständliche KI-Systeme können nur in enger multidisziplinärer Zusammenarbeit zwischen Forschenden, Ärzt*innen etc. entwickelt werden. Als Forschende müssen wir – unter anderem – sicherstellen, dass unsere KI-Modelle eindeutige Begründungen für Vorhersagen liefern. Dabei muss ersichtlich sein, ob eine Vorhersage rein auf klinisch anerkannten Biomarkern basiert oder ob weitere (komplexe) Faktoren eine Rolle spielen. Außerdem muss ersichtlich sein, welche behandlungsrelevanten Informationen im Modell nicht berücksichtigt werden. Fälle, bei denen die KI keine eindeutige Vorhersage liefern kann, müssen klar gekennzeichnet sein. Um Kompetenz im Umgang mit KI-Systemen sicherzustellen, müssen Ärzt*innen gezielt aus- und weitergebildet werden.

3.

Welche Möglichkeiten bietet die Verbindung von Bioinformatik und künstlicher Intelligenz, um neue Erkenntnisse über komplexe Erkrankungen zu gewinnen?

Die konventionelle Bioinformatik entwickelt problemspezifische Algorithmen, die nach vordefinierten Regeln funktionieren und häufig biologisches Hintergrundwissen zur Problemlösung heranziehen. Im Gegensatz dazu kann Machine Learning aus einer Menge an Beispieldatenpunkten automatisiert Zusammenhänge lernen – prinzipiell ganz ohne Vorwissen.
Bei komplexen Krankheiten wie Krebs sind viele Mechanismen, z. B. zur Krankheitsentstehung oder Medikamentenwirksamkeit, noch nicht verstanden, da sie oft durch ein komplexes Zusammenspiel zellulärer Prozesse diktiert werden. Indem wir konventionelle Bioinformatik und künstliche Intelligenz kombinieren, können wir sicherstellen, dass Modelle bekannte biologische Gegebenheiten respektieren, was häufig auch die Modell-Interpretierbarkeit verbessert. Gleichzeitig kann das Modell neue Zusammenhänge entdecken, die vom aktuellen Wissensstand nicht abgedeckt sind.