Enter Title

Künstliche Intelligenz:
Das nächste Kapitel in Life Sciences

Künstliche Intelligenz: Das nächste Kapitel in Life Sciences

ARTIKEL 1

zebra

AI schützt Wildtiere mit Urlaubsbildern

Von David Freedman für Mouser Electronics


Das Zählen gefährdeter Tiere war schwierig, bis ein Machine-Learning-Programm eingesprungen ist.

ML-Experte (Machine-Learning) Tanya Berger-Wolf, nun Wissenschaftlerin an der Ohio State University, arbeitete im Jahr 2003 am Center for Discrete Mathematics and Theoretical Computer Science der Rutgers University, als sie im Urlaub ein Wildreservat in Kenia besuchte. Dort machte sie die Bekanntschaft eines Tierforschers, der versuchte, ein Zebra zu identifizieren, indem er in mühevoller Kleinarbeit die Streifen des Zebras mit den Fotos von hunderten von Zebras im Reservat verglich.

giraffe

Es dauerte 20 Minuten, bis er eine Übereinstimmung fand. Daraufhin erklärte Berger-Wolf, dass es eine bessere Methode geben müsse. Der Tierforscher antwortete, dass sie wahrscheinlich recht habe, sie aber leider, auch keine bessere Methode finden könne. „Ohne darüber nachzudenken, sagte ich, Wollen wir wetten?“ erinnert sich Berger-Wolf. „Erst später wurde mir klar, dass ich gerade meinen Ruf darauf verwettet hatte, einen besseren Weg zur Identifizierung von Zebras zu finden.“

NBerger-Wolfs Ruf blieb makellos. Tatsächlich wurde Berger-Wolf durch ein System bekannt, das sie und ihre Mitarbeiter entwickelt haben: das Image-Based Ecological Information System (IBEIS), ein ML-Programm das die Fotos von Zebras (und anderer Tiere) vergleicht.


IBEIS imaging

IBEIS-Hotspots von Grevy-Zebras. IBEIS findet Stellen mit hoher und einzigartiger Variabilität an Information in einem Bild (Hotspots) und nutzt diese, um einzelne Tiere zu erkennen (Zur Verfügung gestellt von Wildbook Media).


Das Auffinden bestimmter Tiere ist eine wichtige Aufgabe im Wildtierschutz. Die Bereitstellung von Geldmitteln und anderen Ressourcen, beispielsweise die Zuteilung von Land zu einer Tiergruppe und der Schutz, der von der Regierung bezüglich Landerschließung und Wilderei gewährt wird, basieren oft auf der Größe des Tierbestands. Außerdem müssen Forscher und Wildlife-Manager wissen, ob ein Bestand zu- oder abnimmt, um zu überprüfen, ob die bestehenden Schutzmaßnahmen ausreichend sind. Ein Bestand kann jedoch nur akkurat gezählt werden, wenn die einzelnen Tiere nicht mehrmals gezählt werden. Und hier kommt die Verifizierung der Fotos bereits gezählter Tiere ins Spiel.


Hotspotter software

Wissenschaftler in Kenia verwenden HotSpotter, eine individuelle Tier-Erkennungssoftware (Zur Verfügung gestellt von Wildbook Media).


Berger-Wolf setzte ML auf das Problem an. Herkömmliche Computeralgorithmen konnten diese Aufgabe nicht bewältigen, da basierend auf dem Aufnahmewinkel, der Schatten, der Position und anderen Faktoren auch die Bilder desselben Tiers unterschiedlich aussehen können. ML-Programme können jedoch trainiert werden, um diese Variationen zu ignorieren und bestimmte Merkmale in den Fotos zu finden, die für jedes Tier gleich bleiben. Während des Trainings wurden tausende von Fotos in IBEIS gescannt. Zuerst stellte das System zufallsbedingte Vermutungen an, welche Bilder ein bestimmtes Tier zeigten. Nachdem das Programm lernte, welche Vermutungen richtig und welche falsch waren, passte es seine Merkmalsuche fortlaufend an, bis es meistens die richtige Antwort ausgab.

Zebras sind ideal, um bestimmte Tiere zu finden, da sie wie wandelnde Barcodes aussehen. Aber würde IBEIS auch mit anderen gefährdeten Tieren funktionieren? Um das herauszufinden, arbeitete Berger-Wolf mit einer gemeinnützigen Organisation namens Wild Me zusammen, die sich eine besonders schwierige Aufgabe gestellt hatte: Das Zählen von gefährdeten Walhaien, durch das Sammeln von Fotos von Forschern, Freizeittauchern und Touristen auf Booten.


Whale Shark on software

Identifizierung eines Walhais anhand seiner Flecken (Zur Verfügung gestellt von Wildbook Media).


Nachdem die Forscher das Projekt Wildbook gestartet und einen Förderungsbetrag der renommierten National Science Foundation erhalten hatten, stellten die Forscher fest, dass IBEIS beim Zählen der Walhaie hervorragend funktionierte. Es stellte sich heraus, dass der Erfolg darauf begründete, dass Walhaie mithilfe ihrer einzigartigen Flecken auseinandergehalten werden können. Das Projekt durchkämmte letztendlich beinahe 75.000 Fotos und Videos von mehr als 8000 Personen und identifizierte ca. 8100 verschiedene Walhaie. „Dies war ein solider Einstieg in die Nutzung dieser Art von Bildern, um Daten zu produzieren, denen Wissenschaftler und Entscheidungsträger vertrauen können,“ erklärte Berger-Wolf.

Der Erfolg von Wildbook beim Zählen von Walhaien erschloss völlig neue Möglichkeiten. Warum nicht alle Bilder von allen Quellen im Internet nutzen, um gefährdete Tiere zu finden, die gezählt werden müssen? „Die Biodiversität nimmt weltweit ab und wir verlieren Arten in einem noch nie dagewesenen Ausmaß,“ sagt Berger-Wolf. „Wir hatten die Chance, durch die Linsen einer riesigen Anzahl von Kameras klar darzustellen, was mit diesen Tierarten passiert.“

Wildbook machte weiter mit über 30 Arten, einschließlich Eisbären, Giraffen und Buckelwale. Um mehr Fotos und Videos für das ML-Programm zu erhalten, durchsucht die Software veröffentlichte Bilder und Clips auf sozialen Websites, beispielsweise Instagram, YouTube und Flickr.

Die Software muss so viel wie möglich darüber wissen, wo und wann ein Foto aufgenommen wurde, das heißt, der Text zum Bild muss gelesen werden oder, wenn der Text diese Informationen nicht enthält, muss die Person kontaktiert werden, die das Bild veröffentlicht hat; eine zeitaufwendige Aufgabe.


Zebras in the Hotspotter software

(Zur Verfügung gestellt von Wildbook Media)


Wieder einmal kam die künstliche Intelligenz (KI/AI) zu Hilfe. Berger-Wolf und ihre Wildbook-Kollegen entwickelten zwei Komponenten: Ein System das natürliche Sprache verarbeitet und einen AI-Chatbot, der den Besitzer des Bilds kontaktieren kann, um herauszufinden, wann und wo ein Foto aufgenommen wurde. „Die Leute sind begeistert, wenn sie entdecken, dass sie mit einem AI-Programm sprechen,“ erklärt Berger-Wolf. „Eine Person gab dem Chatbot die Informationen und bat ihn dann, die menschliche Rasse nicht zu unterwerfen.”

Zwischenzeitlich hatte Berger-Wolf guten Grund, ihre Aufmerksamkeit wieder auf Zebras zu richten. In 2016 wandte sich Kenia an Berger-Wolf, um eine akkurate Zählung der Grevy-Zebras vorzunehmen, einem der am meisten vom Aussterben bedrohten Tiere im Land. In den 70iger Jahren belief sich der Bestand der Grevy-Zebras auf ca. 15.000 Tiere, aber Naturschützer nahmen an, dass sich die Anzahl stark verringert hatte und wollten dies bestätigt haben. Um die geschätzte Anzahl zu überprüfen, luden die Forscher alle Personen ein, die helfen wollten, zwei Tage lang Fotos im Revier der Tiere aufzunehmen. Hunderte von Personen, von professionellen Naturschützern und Touristen bis zu Stammesführern und Kindern, manche nur drei Jahre alt, machten mit. Zum Schluss wurden 40.000 Bilder für die ML-Software beigesteuert.

Die Bestandszählung der Zebras ergab 2350 Tiere und bestätigte die schlimmsten Befürchtungen der Naturschützer. Da der Rückgang dokumentiert wurde, konnten entsprechende Maßnahmen ergriffen werden. Als die Herden bei einer weiteren Fotorallye im Jahr 2018 und erneut im Januar 2020 noch einmal gezählt wurden, war die Anzahl der Tiere kontinuierlich auf 3000 gestiegen, was eine signifikante Bestandszunahme ist. „Wenn einfache Menschen eingeladen werden, an diesen Aktionen teilzunehmen, setzen sie sich auch weiterhin für das Überleben der Arten ein,“ erklärt Berger-Wolf. „Es gibt den Menschen mehr Vertrauen in die Arbeit von Wissenschaftlern.“

Das ist gut für die Wissenschaft und die vom Aussterben bedrohten Tierarten. Es war nur ein ML-Programm nötig, um das zustande zu bringen.  

ARTIKEL 2

virusvirus

Der Klang der Grippe

Von David Freedman für Mouser Electronics


Alle Jahre wieder stellen Grippewellen unser Gesundheitssystem vor große Herausforderungen. Doch das soll sich nun ändern, denn künftig könnte ein kleines Gerät das Problem in den Griff bekommen – und zwar deutlich schneller als die Gesundheitsämter.

Mit Beginn der jährlichen Grippesaison beginnt das große Husten – ein Geräusch, das niemand wirklich gerne hört, außer vielleicht Tauhidur Rahman. Was natürlich nicht bedeutet, dass sich Rahman, seines Zeichens Informatiker an der Universität von Massachusetts (UMass), freut, wenn Menschen erkranken. Ganz im Gegenteil: Rahman hat ein Gerät entwickelt, das Hustengeräusche dank maschinellem Lernen (ML) zu einer mächtigen Waffe im alljährlichen Kampf gegen die Grippe machen könnte. Allein in den USA fordert die Virusinfektion Jahr für Jahr zehntausende Todesopfer.

virusvirus

Als einer der Leiter des Laboratory for Mobile Sensing and Ubiquitous Computing an der UMass bringt Rahman gemeinsam mit Kollegen und Studierenden Sensoren an Testpersonen und in deren Umfeld an. Mit den so gesammelten Daten und biologischen Signalen kann sich der Verlauf einer saisonalen Grippe möglicherweise vorhersagen lassen. Weitere Projekte, die Rahmans Labor bereits durchgeführt hat, umfassen Messungen der Schlafeffizienz sowie die Überwachung Drogenabhängiger und ihres Suchtdrucks, mit dem Ziel der rechtzeitigen Intervention.

IAnfang 2018 hatte Rahman folgende Idee: Könnte es möglich sein, die Ausbreitung von Atemwegserkrankungen wie Grippe mithilfe von Sensoren zu ermitteln bzw. entsprechende Symptome in Wartezimmern, Büros, Schulen und an häufig besuchten Orten zu erfassen? „Als ich dazu einen Fachbeitrag vorlegte, stieß das Konzept bei einigen Wissenschaftlern zunächst auf Skepsis“, gesteht er. In der festen Überzeugung, dass sein Ansatz von großem Nutzen sein könnte, entschloss sich Rahman, ihn trotzdem auf die Probe zu stellen.

Epidemiologie im digitalen Zeitalter

Die Nachverfolgung von Grippeinfektionen und anderen Atemwegserkrankungen war schon immer eine große Herausforderung. Der Großteil der bislang verfügbaren Daten stammt aus Krankenhausberichten, die die Zahl der in der jeweiligen Einrichtung diagnostizierten Fälle angeben. Leider hinken diese Daten dem tatsächlichen Krankheitsverlauf immer eine Woche oder sogar mehr hinterher – aus verschiedenen Gründen. Zum einen zögern Betroffene häufig lange, bevor sie zum Arzt oder ins Krankenhaus gehen. Dann müssen zunächst Blutproben entnommen und an Labore geschickt werden. Nach der diagnostischen Untersuchung werden die Testergebnisse dann an die Krankenhäuser übermittelt, die diese wiederum den Gesundheitsämtern mitteilen. Hier fließen nun die Daten aller Berichte zusammen, sodass sich letztlich bestimmen lässt, wo und wie schnell sich eine Krankheit ausbreitet. Angesichts dieses langwierigen Verfahrens reagieren Gesundheitsbehörden oftmals leider viel zu langsam, obwohl bei einem Krankheitsausbruch jeder Tag zählt. Je schneller einzelne Grippeherde ermittelt werden, umso effektiver können an diesen Hotspots erforderliche Maßnahmen ergriffen werden, um die weitere Ausbreitung einzudämmen.

Rahman ist davon überzeugt, dass der neue Fachbereich der digitalen Epidemiologie – also die Einbeziehung von Smartphones, Sensoren und des Internetverhaltens von Nutzern – zur schnelleren Beobachtung der Ausbreitung von Atemwegserkrankungen beitragen kann. In Zusammenarbeit mit dem Doktoranden Forsad Al Hossain wollte Rahman zunächst mithilfe einer Infrarotkamera feststellen, wie viele Personen in einer jeweiligen Gruppe von Menschen Fieber hatten. Ärztekollegen wiesen ihn jedoch darauf hin, dass Atemwegserkrankungen nur in seltenen Fällen mit Fieber einhergehen. Darüber hinaus kosten angemessene IR-Kameras über 20.000 US-Dollar. „Wir versuchten, die Kosten gering zu halten, um das System flächendeckend einsetzen zu können, auch [in] Entwicklungsländern“, sagt Rahman.


Thermal gun measuring temperatures of a crowd

Infrarotthermometer zur Temperaturmessung einer Menschenmenge (Quelle: smuki - stock.adobe.com)


Der entscheidende Hinweis – Hustengeräusche

Die Ermittlung von Hustengeräuschen schien den Forschern geeigneter als Fieberanzeichen – handelt es sich dabei doch um das meistverbreitete Symptom bei Atemwegserkrankungen. Allerdings besteht die Gefahr, dass die Hustenrate bei Grippeerkrankungen aufgrund von ungewöhnlich kleinen oder großen Menschengruppen sowie Menschen mit chronischem Reizhusten oder Raucherhusten verfälscht wird. Darüber hinaus ist die Hustenfrequenz von anderen Faktoren wie Tageszeit oder Wochentag abhängig. Nichtsdestotrotz lassen sich Hustengeräusche sogar mit preisgünstigen Mikrofonen aufnehmen, und die Häufigkeit von Niesen und Schniefen erleichtert die Zuordnung zu den verschiedenen Arten von Husten.

virus

Glücklicherweise können Rahman und Al Hossain alle benötigten Daten mithilfe weniger Mikrofone zur Bestimmung der Geräuschrichtung und einer preiswerten Wärmebildkamera sammeln. Mit diesen gebündelten Technologien sind sie in der Lage, die Anzahl der hustenden Personen in einem bestimmten Umfeld zu bestimmen, ohne Einzelne - Datenschutz! - identifizieren zu müssen.

Allerdings gestaltete sich die Datenanalyse als beinahe unlösbares Problem, denn für eine fehlerfreie Bestimmung der Infektionsraten muss die schiere Anzahl an Variablen korrekt in Zusammenhang gebracht werden. Und genau hier kommt eine ML-Software ins Spiel – also eine Form von künstlicher Intelligenz (KI), die komplexe Informationen in einfache Entscheidungen überführen kann. Man kann dies mit dem menschlichen Gehirn vergleichen, das beispielsweise genau weiß, ob und wie man im geschäftigen Großstadtverkehr die Straße sicher überqueren kann. Für seinen Versuch nutzte Rahman ML-Software auf der Grundlage eines sogenannten Convolutional Neural Network (CNN). CNNs dienen dazu, große Datenmengen eines Sensors, beispielsweise ein Einzelbild oder -geräusch, in zahlreiche, unablässig vereinfachte Versionen herunterzubrechen, bei denen unbedeutendere Informationen zugunsten zentralerer Bestandteile weggelassen werden. Auf diese Weise lässt sich letztendlich das Bild oder Geräusch bestimmen.

Mithilfe eines CNN, das eigens zur Bestimmung kurzer Geräusche in Räumen diente, gelang es Rahman, anhand wesentlicher Geräuschelemente zu ermitteln, ob jemand während der Aufnahme gehustet hatte oder nicht. Auf ähnliche Weise analysiert ein weiteres CNN die Anwesenheit von Menschen mithilfe eines Wärmebilds. Rahmans System bündelt diese sowie weitere ML-Module und kann so die Anzahl wahrscheinlich Grippeinfizierter in einem beliebigen Raum vorhersagen.


CNN Example

So würde ein CNN die Geräusche des Zimmers aufnehmen und Hustengeräusche analysieren (Quelle: Mouser Electronics).


Grippevorsorge mit einem kleinen Gerät

Nach der Entwicklung seiner Software arbeitete Rahman an der einfachen Anwendbarkeit seiner Erfindung. Das ganze System, inklusive zwei Bordcomputer für die ML-Software und Echtzeit-Datenkomprimierung, passt in ein Gerät, das nicht größer ist als ein Toaster. Eine Internetverbindung ist nicht notwendig. Aus Datenschutzgründen werden die Daten nach der Analyse umgehend gelöscht.

Trotz der hohen Rechenleistung des Systems und der Vielzahl an Sensoren kann Rahman das Gerät zum günstigen Preis von 500 US-Dollar anbieten – zur Freude von Gesundheitsämtern sowie regionaler und nationaler Gesundheitsbehörden, die bereits jetzt unter den Kosten der COVID-19-Pandemie ächzen. Um das Gerät auch für Entwicklungsländer erschwinglich zu machen, wird Rahman in den kommenden Monaten alles daran setzen, die Kosten auf unter 200 US-Dollar zu senken.

Doch ist Rahmans System tatsächlich in der Lage, Infektionen aufzuspüren? Von Ende 2018 bis Mitte 2019 testeten Rahman und Al Hossain ihr Gerät in den Wartebereichen nahegelegener Krankenhäuser und sammelten rund 21 Millionen Audio-Samples und 350.000 Wärmebilder. Wie erwartet, ermittelte die systemeigene KI-Software Tag für Tag die geschätzte Anzahl an Grippeinfizierten in den Wartezimmern. Um diese Schätzungen auf ihre Richtigkeit hin zu überprüfen, ließ sich Rahman vom jeweiligen Krankenhaus die anonymisierte Infektionsstatistik zu den von seinem System aufgezeichneten Personengruppen geben. Und tatsächlich: Die ML-Software hatte die korrekte Anzahl der Atemwegserkrankungen der einzelnen Personengruppen ermittelt – und das schon mehrere Tage früher als die Krankenhäuser selbst, die erst auf ihre Untersuchungsergebnisse warten mussten.

Der Grippewelle immer einen Schritt voraus

Mittlerweile klopfen Epidemiologen, Behörden und Investoren bei Rahman an und wollen ihren Teil zur Entwicklung von FluSense, wie ihr Erfinder seine Technologie nennt, beitragen. Geht es nach Rahman, soll FluSense bis zum Hochsommer in einigen Krankenhäusern in Massachusetts und Virginia eingesetzt werden. In den Folgemonaten soll die Anwendung des innovativen Geräts dann auf zahlreiche landesweite Gesundheitseinrichtungen der USA und im öffentlichen Raum ausgeweitet werden. „Wissenschaftler erwarten für den Herbst dieses Jahres eine große Infektionswelle. Darauf müssen wir vorbereitet sein“, so Rahman.


AI measuring the number of people in a crowd

FluSense würde die Personenanzahl in einer Menschenmenge und die Anzahl der Hustengeräusche messen (Quelle: ceramaama - stock.adobe.com)


So wie es aussieht, könnte FluSense schon bald standardmäßig zur Eindämmung der saisonalen Grippe eingesetzt werden. Als Frühwarnsystem für aufkommende Atemwegserkrankungen könnten Ärzte mithilfe des intelligenten Systems neue Erreger im Keim ersticken, bevor sie sich zu einer Epidemie oder sogar Pandemie auswachsen können. Laut Rahman könnte FluSense künftig nicht nur in Cafés gute Dienste für die Gesundheit der Bevölkerung leisten, sondern auch in Klassenzimmern und sogar in Senioren- und Pflegeheimen. 

ARTIKEL 3

brain

Suche nach Sprache in einem Gehirnscan

Von David Freedman für Mouser Electronics


Einige Kinder benötigen zusätzliche Therapie, um alle Vorteile eines Cochlea-Implantats nutzen zu können. Ein AI-basiertes Programm lernt den Grund dafür.

Auf einer Cocktailparty können viele interessante Dinge passieren, aber die Weiterentwicklung der Medizinwissenschaft gehört normalerweise nicht dazu. Das ist jedoch, was im Jahr 2012 passiert ist, als sich Nancy Young, eine Kinderchirurgin, und Patrick Wong, ein Neurowissenschaftler und Forscher am Ann & Robert H. Lurie Children’s Hospital in Chicago kennengelernt haben.

brain

Die beiden Wissenschaftler gingen eine lange Zusammenarbeit ein, um die medizinischen Möglichkeiten für Kinder mit Hörverlust zu verbessern. Sie machten sich künstliche Intelligenz (AI) zu Nutze, um herauszufinden, wie Sprache vom menschlichen Gehirn erkannt wird und dieses gemeinsame Ziel erreicht werden kann.

Ein Schlüssel zum schnellen Lernen

Wong, ebenfalls Mitglied der Fakultät der Northwestern University, hatte sich seit Langem auf eine bestimmte Frage konzentriert: Warum lernen einige Menschen eine andere Sprache schnell, während andere Schwierigkeiten damit haben? Er vermutete, dass die Antwort in den unterschiedlichen Gehirnstrukturen von langsamen und schnellen Lernern gefunden werden kann. Diese Unterschiede waren in MRT-Gehirnscans (Magnetresonanztomographie) ersichtlich, die Abweichungen in der relativen Größe, Dicke und Form der verschiedenen Gehirnbereiche sowie in der Faltenstruktur und den Verbindungen in diesen Bereichen aufzeigten.


MRI scans

Magnetresonanztomographie (MRT) scannt verschiedene Gehirne (Quelle: Nomad_Soul - stock.adobe.com)


Da Wissenschaftler bereits eine grobe Vorstellung davon hatten, welche Gehirnbereiche das Lernen von Sprache beeinflussen können, sammelte Wong die Gehirnscans von Personen, die eine zweite Sprache gelernt haben, um zu sehen, ob er Stellen in diesen oder anderen Gehirnbereichen finden konnte, die ermöglichen, die Fähigkeit zum Lernen einer Sprache vorherzusagen. Wong und andere Wissenschaftler fanden keine entsprechenden Hinweise. „Wir konnten Muster in den Scans erkennen, aber wussten nicht, welche Details wichtig sind,“ erklärt Wong.

Um eine Antwort zu finden, setzte Wong eine ML-Software (Machine-Learning) ein. Die Software teilte die Bilder der Gehirne in hunderte von würfelförmigen Bereichen ein und erstellte Messungen der sichtbaren Details in diesen Bereichen. Anschließend durchlief die Software Millionen von Möglichkeiten, die verschiedenen Details in den würfelförmigen Bereichen zu verbinden, um zu testen, wie eng jede Kombination mit der Fähigkeit Sprachen zu lernen in Beziehung steht. Als die Software mehr und mehr Brainscans durchlief, wurden bestimmte Strukturen in den Scans ersichtlich, die darauf hindeuteten, ob einer Person das Lernen einer zweiten Sprache leicht fällt oder Schwierigkeiten bereitet.

brain

Wong fragte sich, ob es eine Möglichkeit gibt, diese Methode auf ein medizinisches Problem anzuwenden. Zu diesem Zeitpunkt wurde Wong von einem Dekan der Northwestern zu einer Cocktailparty eingeladen, auf der er Young traf.

Schwerarbeit im Gehirn

Als Kinderchirurgin spezialisierte sich Young auf das Einsetzen von Cochlea-Implantaten, zweiteiligen elektronischen Geräten, die am Kopf und im Ohr angebracht werden. Diese Implantate sollen beschädigte Teile des Innenohrs ausgleichen, die das Hören beeinträchtigen. Diese Implantate sind kein Heilmittel für Hörschäden, da die Sprache als ein summender Ton durchkommt, der es schwierig macht, Wörter zu verstehen.

Da der Ton von Cochlea-Implantaten nicht klar ist, erkennen Kinder unter 6 Jahren Sprache durchschnittlich ca. 15 Prozent schlechter als Kinder mit normalem Gehör. Um diese Lücke zu verringern, werden Kinder, die das Implantat erhalten, einer Sprachtherapie unterzogen. Um optimale Spracherkennungsergebnisse zu erzielen, ist ein intensives Therapieprogramm erforderlich, das mindestens mehrere Stunden pro Tag dauert und an mehreren Tagen der Woche durchgeführt wird. „Das Gehirn muss lernen, die Informationen umzusetzen, die es vom Implantat erhält,“ erklärt Young. „Es ist nicht so einfach, wie einen Beinbruch zu heilen.“


A boy in speech therapy

Ein kleiner Junge übt mit seinem Sprachtherapeuten (Quelle: kasto - stock.adobe.com)


Leider können nicht alle Patienten die Therapie voll nutzen. Eine langfristige, intensive Sprachtherapie ist sehr teuer. Die geringe Anzahl von Spezialisten und Programmen bedeutet, dass nur einem Bruchteil der Patienten geholfen werden kann, die diese benötigen. Außerdem können die Ergebnisse für Kinder, die eine umfangreiche Therapie erhalten, weit auseinanderklaffen. „Einige Kinder sprechen wunderbar auf die Therapie an, während andere Kinder weiterhin Schwierigkeiten haben,“ sagt Young. Da diese intensiven Programme wertvolle Ressourcen sind, ist es sinnvoll, sie jenen Kindern zur Verfügung zu stellen, die voraussichtlich den größten Nutzen daraus ziehen können.

Aber kann vorhergesagt werden, welche Empfänger von Cochlea-Implantaten am besten auf diese umfangreiche Therapie ansprechen? Wie Wong vermutet Young, dass die Antwort auf diese Frage in der Gehirnstruktur liegt. Ärzte machen routinemäßig MRT-Gehirnscans der Kinder, die Kandidaten für die Implantate sind (Abbildung 1). Aber auf welche Weise die Strukturen gemessen und ausgelegt werden können, um den Grad der Verbesserung vorherzusagen, den die Empfänger der Implantate wahrnehmen, blieb ein Rätsel. „Diese Implantate können das Leben entscheidend verändern,“ sagt Young. „Aber wir müssen wissen, welcher Bereich des Gehirns die Schwerarbeit leistet.“


Girl going into MRI machine

Abbildung 1: : Ärzte machen routinemäßig MRT-Gehirnscans der Kinder, die Kandidaten für die Cochlea-Implantate sind, obwohl der Grad der Verbesserung, den die Empfänger mit der Zeit wahrnehmen, nicht vorhergesagt werden kann. (Quelle: Andrewshots/Shutterstock.com)


Ein Treffen Gleichgesinnter

Nach nur einem kurzen Gespräch auf der Cocktailparty, wussten Wong und Young, dass sie die Antwort auf die Frage des anderen hatten. „Ich wusste, dass ich in meiner ganzen Karriere auf jemanden wie Patrick gewartet habe,“ sagt Young.

Wong und Young arbeiteten kurz darauf zusammen, um mit ML vorherzusagen, welche Kinder mit einem Cochlea-Implantat am besten auf eine Sprachtherapie ansprechen würden. (Zwischenzeitlich wechselte Wong zur Chinese University of Hong Kong (CUHK), um deren Labor für Sprache, Lernen und das Gehirn zu leiten.) Wieder einmal war der Einsatz ML-basierter Software der Schlüssel, um Gehirnscans bezüglich der Gehirnstruktur zu untersuchen. Dieses Mal wurden jedoch die Scans von Kindern im Alter zwischen acht Monaten und vier Jahren untersucht, bevor den Kindern das Implantat eingesetzt wurde. Die Software suchte nach Wechselbeziehungen zwischen den Gehirnstrukturen in den Scans und inwieweit sich das Sprachverständnis der Kinder nach sechs Monaten Therapie verbessert hatte.

Das Projekt startete mit scheinbar wichtigen Hinweisen. Da die Kinder, die Kandidaten für das Implantat waren, üblicherweise seit ihrer Geburt keine Hörstimulation hatten, unterschieden sich einige ihrer Gehirnbereiche von denen anderer Kinder, die normal hören konnten. „Wenn Kindern keine Hörstimulation erhalten, entwickeln sich die Strukturen nicht auf die gleiche Weise,“ erklärt Wong. Diese Erkenntnis wies darauf hin, dass die entsprechenden Gehirnbereiche wichtige Anzeichen bergen könnten.

Als die ML-basierte Software die Scans durchlief, waren die Ergebnisse jedoch überraschend. Es stellte sich heraus, dass andere Gehirnbereiche, die nicht dem Hör- und Sprachvermögen zugeordnet wurden, für die Vorhersage, wie ein Kind auf die Sprachtherapie anspricht, wichtiger sind. „Wir haben herausgefunden, dass die Bereiche, die für Kognition, Aufmerksamkeit und Gedächtnis verantwortlich sind, die Entwicklung vorhersagen,“ erklärt Wong.

Lebensverändernde Vorhersage

Nach jahrelanger Arbeit haben Wong und Young die Software so weit verbessert, dass sie basierend auf einem Gehirnscan vor der Operation mit einer Genaugkeit von 82 Prozent vorhersehen kann, ob ein Kind, das intensive Sprachtherapie nach einem Cochlea-Implantat erhält, schneller vorankommt. Wong und Young arbeiten nun daran, ihre Ergebnisse in Youngs klinischer Arbeit und anschließend im gesamten Fachgebiet anzuwenden, damit alle Kinder von der Forschung profitieren können.

Young betonte, dass sie sicherstellen möchte, dass die Forschung nicht einigen Kindern die Implantate oder Therapie vorenthalten soll, sondern Kindern helfen soll, die ansonsten keine Möglichkeit haben, ein Implantat zu erhalten. „Es gibt schutzlose Kinder, von denen einige andere Lernschwächen haben, die allem Anschein nach nicht gut mit einem Implantat zurechtkommen würden,“ sagt Young. „Aber einige dieser Kinder können mit ihrem neuen Hörvermögen ihre anderen Fähigkeiten verbessern.“

Möglicherweise dauert es nicht mehr lange, bevor die ML-Software diese Kinder identifiziert und ihr Leben verändert. 


Biographie des Autors

Biographie: David H. Freedman ist ein in Boston ansässiger Wissenschaftsjournalist. Seine Artikel erscheinen unter anderem in The Atlantic, Newsweek, Discover, Marker by Medium und Wired. Er ist der Autor von fünf Büchern. Sein neuestes „Wrong“ befasst sich mit mangelnden Fachkenntnisssen.

Bildrechte (in der Reihenfolge der Abbildung)

Micro Motion/Shutterstock, Mike Fouque - stock.adobe.com, alphaspirit - stock.adobe.com, Yakobhuk Viacheslav/Shutterstock, Pixsooz - stock.adobe.com