Das Phänomen, dass mehr Eiscreme verkauft wird, wenn es warm ist, und gleichzeitig die Fälle von Sonnenbrand ansteigen, ist ein klassisches Beispiel für eine Korrelation ohne Kausalität. Es liegt auf der Hand, dass der Genuss von Eiscreme nicht direkt Sonnenbrand verursacht – stattdessen ist das warme Wetter der wahre Auslöser. Diese einfache Einsicht stellt jedoch eine erhebliche Herausforderung für KI-Systeme dar, die oft nur Muster und Zusammenhänge erkennen können, aber kein tieferes Verständnis für kausale Zusammenhänge haben. Diverse Experten arbeiten daran, dieser Herausforderung zu begegnen, insbesondere um im medizinischen Bereich signifikante Fortschritte zu erzielen.

Der Begriff „Causal AI“ fasst verschiedene Techniken zusammen, die darauf abzielen, KI-Systemen ein kausales Verständnis zu vermitteln. Einige Ansätze kombinieren traditionelle Methoden des maschinellen Lernens, um kausale Schlüsse aus bestehenden Daten zu ziehen – eine wichtige Fähigkeit für die Beurteilung der Wirksamkeit von Therapien oder Medikamenten. Bisher entspringen diese Erkenntnisse jedoch meist menschlichem Expertise, während die KI lediglich nach Korrelationen fasst.

Die Entwicklung von Modellen, die eigenständig Ursachen und Wirkungen identifizieren können, bleibt jedoch eine große Hürde. Beispiele aus der Vergangenheit zeigen, dass KI-Modelle dazu neigen, falsche Korrelationen zu finden, was in der Medizin schwerwiegende Folgen haben kann. Ein prägnantes Beispiel ist ein KI-Modell, das Röntgenbilder analysierte, um Pneumothorax zu erkennen. Statt sich auf die tatsächlichen Merkmale zu konzentrieren, verließ sich das Modell auf nicht kausale Merkmale, die die Ärzte zum Zeitpunkt der Diagnosestellung verwendet hatten. Dies geschieht häufig durch sogenannte „spurious noncausal features“, also falsche Merkmale, die die KI in die Irre führen und zu instabilen Ergebnissen führen.

Um die Genauigkeit von KI-Analysen zu verbessern, sind diversifizierte Trainingsdaten unerlässlich. Wenn das Training auch Röntgenbilder umfasst, die vor medizinischen Eingriffen aufgenommen wurden, kann die KI besser lernen, die tatsächlichen Ursachen zu identifizieren. In der Forschung suchen Wissenschaftler nach stabilen Mustern, die unter verschiedenen Bedingungen unverändert bleiben – dies könnte Indikatoren für tatsächliche kausale Zusammenhänge liefern.

Ein weiterer vielversprechender Ansatz ist das „Causal Representation Learning“, bei dem Wissenschaftler versuchen, aus hochdimensionalen Daten eine kleinere Anzahl von Variablen abzuleiten, die die Kausalität erklären. Diese Forschung befindet sich jedoch noch in einer frühen Phase.

Im Gegensatz zu von Kügelgen, der an einer tieferen Analyse kausaler Zusammenhänge arbeitet, verfolgt eine andere Käufergruppe, geleitet von Stefan Feuerriegel, einen pragmatischeren Ansatz. Mit Methoden des kausalen maschinellen Lernens versuchen sie, klinische Studien nachzubilden, um medizinische Erkenntnisse zu gewinnen, ohne neue Patienten zu benötigen. Dies geschieht durch die Analyse von Patientendaten, um zu testen, welche Therapieformen wirksam sind.

Ein Beispiel für die Anwendung solcher Methoden war eine Studie, die untersuchte, ob Krankenhausaufenthalte bei depressiven Patienten Suizidversuche verhindern können. Der Einsatz von KI zur Analyse dieser Daten hat gezeigt, dass Krankenhausaufenthalte in diesen Fällen komplexer waren als angenommen, und künftig helfen könnten, individuelle Behandlungsempfehlungen zu erstellen.

Durch die fortschreitende Digitalisierung werden immer mehr relevante Daten gesammelt und zugänglich gemacht. Dies eröffnet weitere Möglichkeiten für die Forschung – und es wird zunehmend erkannt, dass eine umfassendere Sammlung und Analyse dieser Daten entscheidend ist, um medizinische Zusammenhänge zu verstehen.

Trotz der vielversprechenden Entwicklungen ist kausales maschinelles Lernen in der Medizin noch in der Anfangsphase. Der größte Schritt, den es dabei noch zu machen gilt, ist die Erkennung und Handhabung von Kausalzusammenhängen ohne menschliche Unterstützung. Eine vollwertige künstliche Intelligenz, die dies kann, könnte eines Tages die Forschung und Behandlung in der Medizin revolutionieren, indem sie personalisierte Therapien ermöglicht und dabei hilft, die globalen Herausforderungen im Gesundheitswesen zu bewältigen.