4 - #WissenHören. KI-Verfahren in der Medizin - Dr. Elisabeth Preuhs/ClipID:43824 previous clip next clip

course image

Was verbirgt sich hinter den Begriffen Deep Learning, was sind künstliche neuronale Netze? Wie kann künstliche Intelligenz in der Medizin eingesetzt werden? Und wie kann man vor allem den weiblichen Nachwuchs für Informatik begeistern? Die FAU-Absolventin Dr. Elisabeth Preuhs erklärt uns, was sie an der Forschung im Bereich der Medizinischen Informatik begeistert und wieso sie sich für eine stärkere Repräsentation von Frauen in dieser Branche einsetzt.

Weiterführende Links:

Webseite des Pattern Recognition Lab an der FAU: https://lme.tf.fau.de/
Webseite von funklust, den Campusmedien: https://www.funklust.de/
Webseite des ZiWis: https://www.ziwis.fau.de/
Webseite der FAU: https://www.fau.de/

FAU Podcast #Wissenhören
Janno Reincke, Anna Knake

Keywords: Podcast KI
Recording date 2022-08-29

WissenHören. Wissenschaft direkt aufs Ohr.

Unser Gast heute, Dr. Elisabeth Preuhs. Sie hat an der FAU in quantitativer Bildgebung in Kombination mit Deep Learning promoviert und wurde im Jahr 2019 zur KI-Newcomerin des Jahres gewählt. Heute arbeitet sie in der Vorentwicklung von Medizintechnik bei Siemens Healthineers.

„Wir versuchen quasi unser Gehirn in einem Computer nachzubilden und die Arbeitsweise von unserem Gehirn im Computer nachzubilden, die Neuronen im Gehirn nachzubilden und das ist eigentlich das, was sich hinter Deep Learning verbirgt.“

Und damit herzlich willkommen zu unserem Podcast rund um Wissenschaft an der Uni. Einfach, locker und spielerisch erklärt. Wir, das sind Nina, Hannah, Janno und ich, Anna, haben zusammen mit dem ZIWIS und funklust, den Campusmedien an der FAU, spannende und renommierte Forscherinnen unserer Uni vor das Mikro geholt. In dieser Folge klären wir mit Dr. Elisabeth Preuhs, was man unter künstlicher Intelligenz versteht, wie man neuronale Netze trainiert und welche neuen Möglichkeiten diese der modernen Medizin eröffnen.

Janno und ich sind wieder unterwegs und sitzen heute bei uns hier im E-Werk mit uns Elisabeth Preuhs. Hallo.

Hallo.

Schön, dass du da bist. Du hast an der Uni FAU studiert, promoviert und 2019 auch den KI Newcomer Preis gewonnen. Herzlichen Glückwunsch dazu.

Danke schön.

Vor uns liegt wieder unser Spielfeld und ich glaube, Janno, könntest du nochmal kurz erklären, wie es funktioniert? - Unser Spielfeld stellt eine Reise durch die verschiedenen Standorte und Fakultäten unserer Universität in Erlangen und Nürnberg da. Das Spielprinzip funktioniert dabei wie bei einem Leiterspiel. Unser Interviewgast würfelt sich voran, kann aber durch solche Leitern, die zu einigen Feldern gehören, auch vor- oder zurückgesetzt werden. Pro Feld stellen wir eine Frage. Nie gibt es aber in zwei verschiedenen Kategorien. Bei einem Rundenfeld hat die Frage mit dem wissenschaftlichen Forschungsgebiet unseres Gastes zu tun. Bei den eckigen Feldern gibt es sogenannte Spaßfragen, durch die wir vor allem den Menschen hinter dem Forscher oder der Forscherin kennenlernen wollen. Jede Frage hat außerdem noch eine weitere Besonderheit. Die Felder sind nach den verschiedenen Orten der FAU unterteilt und zu jedem Ort gehört eine passende Aufgabe, der sich unser Gast bei der Beantwortung der jeweiligen Frage stellen muss. Das erklären wir aber erst dann, wenn es so weit ist.

Sehr gut, ich freue mich auf das Gespräch mit euch.

Sehr schön. Du darfst auch gerne einfach gleich mal anfangen mit dem Würfel.

Eine Eins.

Ok. Es geht in wahnsinnig großen Schritten los. Elisabeth hat eine Eins gewürfelt und ist auf das Feld des Schlosses gekommen. Wir stellen uns vor, wir starten im Herzen von Erlangen auf dem Schlossplatz und blicken direkt auf das Schloss. Wer das nicht weiß, da ist die Universitätsverwaltung zum Teil drin. Schloss bedeutet, dass wir uns ein bisschen zurückbesinnen auf die guten alten Zeiten, als das Schloss noch von Adeligen genutzt wurde und wir stellen uns jetzt vor, du bist unsere Herrscherin, unsere Königin Elisabeth Preuhs und wir sind der Pöbel, das Volk. Und wir stellen dir die Frage dann eben auch in diesem gewissen ... wir reden dich an als wärst du unserer Königin und du beantwortest bitte mit der gegebenen, herablassenden Art, wie du zu deinem Volk sprichst. - Gott, muss ich jetzt die Frage stellen? Schau es mich so auffordern an. Ok. Eure Königliche Majestät, bevor Sie in das edle Schloss der von Siemens Healthineers eingezogen sind, haben Sie sowohl studiert als auch promoviert an der FAU und zwar im Bereich medizinische Informatik und im Master auch nochmal Informatik. Mittlerweile arbeiten und forschen Sie sogar in diesem Bereich. Und das fällt mir unglaublich schwer, das so zu stellen. Die letzten Male hast du das viel besser gemacht, Janno. - Sag einfach ein paarmal, euere Majestät. - Euere Majestät. Könnte eure Majestät dem allgemeinen Pöbel, ergo uns, erstmal grundlegend erklären, was wir vielleicht darunter verstehen könnten unter medizinischer Informatik?

Also, dass Sie das nicht wissen, ist natürlich ganz klar, so als einfaches Volk, als Pöbel. Aber wie der Name schon sagt, medizinische Informatik ist die Verbindung zwischen Medizin und Informatik. Das hätte man vielleicht als einfaches Pöbel Volk noch erkennen können. Aber alles, was wir anwenden, ist natürlich hochkomplex, aber es ist natürlich nicht so, dass man es nicht lernen kann. Der Weg in das Schloss ist natürlich sehr lang, aber auch sehr spannend. Und medizinische Informatik ist die Anwendung von Informatik, also von allen Verfahren in der Informatik zur Auswertung von medizinischen Daten, zur Analyse von medizinischen Daten. Eben fokussiert auf die Medizin, um den Menschen, um die Daten leichter analysieren zu können, um zum Beispiel Krankheiten aus medizinischen Daten früher erkennen zu können oder auch besser erkennen zu können, um zum Beispiel Ärzte und Ärztinnen auch in ihrer Diagnose-Stellung zu unterstützen.

Okay, das heißt, du arbeitest dann wahrscheinlich auch oder zumindest die Praxis, sähe damit dann so aus, dass du mit sehr vielen MedizinerInnen zusammenarbeitest. Und du selbst kennst dich wahrscheinlich, wenn du das im Bachelorstudio studiert hast, so ein bisschen mit den medizinischen Grundlagen aus?

Ja, genau. Also medizinische Informatik im Studium, da wird auch ganz klar, werden auch medizinische Grundlagen vermittelt. Man hat Vorlesungen auch bei Ärzten und Ärztinnen, die man besuchen kann, um eben auch ihre Sprache so ein bisschen zu lernen, weil die Ärzte und Ärztinnen sprechen natürlich noch andere Sprache als die technischen Leute oder die technischen Studenten und Studentinnen. Und das ist auch ganz wichtig, dass man sich mit dem medizinischen Personal sich austauschen kann, um überhaupt zu verstehen, wo kann man als Technikerin unterstützen oder als Techniker.

Ja, in solchen Bereichen ist eine Brücke schlagend, dann stelle ich mir sehr, sehr wichtig vor und vor allem, wenn man sonst keine Einblicke in die Praxis hat, ist es wahrscheinlich auch schwierig, eine neue Lösung zu erfinden oder in einem bestimmten Bereich zu forschen, wenn du gar nicht weißt, wie du es sonst praktisch machen kannst.

Genau, oder meistens oder oft werden auch einfach Lösungen erfunden oder hergestellt, die vielleicht gar nicht gebraucht werden in der echten Anwendung.

Das ist ja Dialog, das A und O wahrscheinlich.

Auf jeden Fall ja.

Okay, aber da haben wir in Erlangen auch wirklich den richtigen Standort mit Forschungsstarken Uni, mit Siemens, wo du jetzt arbeitest, und natürlich dem Uniklinikum Erlangen. Da kann ich mir vorstellen, dass bestimmt viel gute Forschung dabei rauskommt. Okay, ich würde sagen, die erste Frage haben wir mit Bravour gelöst. Wir würfeln weiter und gucken mal, wo es dich hin verschlägt. Okay, eine Drei. Und das verschlägt uns an die PhilFak. - Genau, und an der PhilFak wird natürlich viel geredet, viel mit Worten geforscht, sagen wir so. Und vielleicht auch das eine oder andere Mal gerne ohne Punkt und Komma einfach durch geredet. Das heißt, unsere nächste Frage und auch die nächste Antwort, bitte im Stil der PhilFak beantworten ohne Punkt und ohne Komma, wenn es irgendwie möglich ist.

Ich werde es versuchen.

Okay, also Elisabeth, du hast jetzt deine Promotion auf einem bestimmten Gebiet der medizinischen Informatik abgeschlossen. Und zwar, das heißt, quantitative MR-Bildgebung. Kurze Frage, was ist MR? Was, wofür steht MR?

Also, MR steht für Magnetresonanztomografie. Es ist ein medizinisches Bildgebungsverfahren, wo wir Magnetfelder uns zu Nutze machten, um eben die Verteilung von Wasserstoffatom im Körper zu messen. Und zwar ist das eben so ein Gerät, eine Röhre, wo ein Patient reingeschoben wird und eine Patientin. Und dieses Gerät produziert mit elektrischen Spulen pulsierende Magnetfelder und Radiowellen in einem gewissen Zusammenspiel. Und dadurch können wir Wasserstoffatome in unserem Körper anregen, um eben ihre Verteilung von außen zu messen. Und dadurch können wir unterschiedliche Gewebearten und Organe in uns drin, in unserem Körper, sehen, weil natürlich jedes Organ oder jedes Gewebe unterschiedliche Anzahl von Wasserstoffatomen hat. Und dadurch, dass wir die Wasserstoffatome immer wieder auslenken, senden sich Signale nach außen und diese Signale werden unterschiedlich sein, je nachdem, welches Organ das ist. Und quantitative Magnetresonanzbildgebung kommt erst jetzt noch. Quantitative Magnetresonanzbildgebung bedeutet, dass wir nicht einfach die Abgrenzungen von unterschiedlichen Organen uns anschauen, sondern tatsächlich anschauen, wie ist die physikalische Beschaffenheit von einem Organ. Also ist es gerade krank oder gesund. Und bei der quantitativen Bildgebung nehmen wir nicht nur das Organ einmal auf mit einer bestimmten Einstellung von den Radiowellen und Magnetfeldern, sondern mit sehr vielen verschiedenen Einstellungen. Und wenn wir dieses Organ mehrfach aufnehmen, haben wir sehr viele Daten zu einem Organ und in diesen Daten können wir dann Muster suchen. Und diese Muster können dann auf Erkrankungen hindeuten oder können uns bestimmte Aussagen geben, wie das Organ beschaffen ist. Also ist es krank, ist es gesund, liegt sonst noch irgendwas vor, gehört da irgendwas nicht hin oder ist das alles in Ordnung, genau.

Okay, also jetzt wissen wir schon mal, was passiert, wenn man ins MRT reinkommt. Das T steht wofür dann genau?

Tomografie. Tomografie ist ein Schichtbildgebungsverfahren und das bedeutet, dass wir Schichten vom menschlichen Körper uns nach und nach anschauen, dass wir quasi in den menschlichen Körper schichtweise reinschauen und ohne dass wir den Menschen aber aufschneiden müssen.

Okay, und jetzt kommen wir mal zur informatischen Komponente seiner Forschung. Du hast ja gerade schon mal gesagt, dass es auch darum geht, Muster zu erkennen. Also Muster, um zu erkennen, ob das jetzt gesundes oder krankes Gewebe ist und diese Mustererkennung ist ja so ein informatisches Teilgebiet.

Genau.

Und du verwendest dafür jetzt sozusagen die KI, also bzw. ein anderes Wort in dem Fall wäre jetzt auch Deep Learning, um dir sozusagen die Unterstützung des Computers zu holen, um das zu analysieren, wie funktioniert denn jetzt das mit diesem Deep Learning dahinter?

Ja, kann ich sehr gerne erklären, kurz vorab, weil es ja gerade hier auch um Worte geht, um die Worte auch richtig einzuordnen, denn KI ist nur ein Oberbegriff, also künstliche Intelligenz und unter KI können sich sehr viele unterschiedliche Verfahren befinden. Und Deep Learning ist eben nur ein Bereich der KI. Und bei Deep Learning geht es darum künstliche neuronale Netze, also wir versuchen quasi unser Gehirn in einem Computer nachzubilden und die Arbeitsweise von unserem Gehirn im Computer nachzubilden, die Neuronen im Gehirn nachzubilden und jedes Neuron hat eine bestimmte Aufgabe berechnet, irgendwas, und gibt das Ergebnis je nach Reiz weiter an das nächste Neuron. Und das ist eigentlich das, was sich hinter Deep Learning verbirgt, also einfach das Nachbauen des menschlichen Gehirns und das Anwenden von diesen nachgebauten neuronalen Netzen, das Anwenden dieser neuronalen Netze für verschiedene Aufgaben. Und die Aufgabe, mit der ich mich unter anderem in der Doktorarbeit beschäftigt habe, war eben, wie kann ich ein neuronales Netz dazu bringen, diese Muster in diesen ganz vielen Daten zu erkennen und diese Muster auch zuzuordnen zu bestimmten Organtypen oder zu bestimmten physikalischen Eigenschaften.

Und der Vorteil davon ist eben, dass diese neuronalen Netze sehr, sehr gut darin sind, ein Gewebe zu klassifizieren in gesund oder krank. Und zwar so gut, dass es eigentlich unendlich viel besser ist als ein Mensch, der darauf gucken würde. Oder geht es auch um diese Qualität oder geht es auch einfach um diese Zeitersparnis, die man da richtig hat, weil der Computer das so unendlich schnell kann?

Um beides. Also die können das natürlich gut. Die einzige Vorbedingung, dass sie das so gut können, ist natürlich, dass wir viele Daten haben, die vorklassifiziert sind. Also wir haben eine Datenmenge und zu jedem Datenpunkt aus dieser Datenmenge haben wir das gewünschte Resultat. Das ist natürlich die Vorbedingung, dass sie gut sind und natürlich können sie das extrem schnell. Also die Anwendung von einem neuronalen Netz, wenn wir einen guten Computer, sag ich mal, haben oder eine gute GPU, also Graphical Processing Unit, das geht natürlich viel schneller, als wenn sich ein Mensch quasi sich diese ganzen Daten anschauen würde und versuchen würde, erstmal die Muster aufzufinden und dann versuchen würde, die Muster irgendwie zuzuordnen und zu klastern. Und ein Vorteil von Deep Learning hier ist natürlich auch, dass die Netze nie müde werden. Also wenn Arzt zum Beispiel ganz viele Daten vor sich hat und muss sie klassifizieren oder eine Ärztin, dann wird er oder sie natürlich müde und dann kann es sein, dass er oder sie Fehler macht. Und so ein neuronales Netz, das macht einfach die Aufgabe, zick Mal hintereinander und macht sie jedes Mal gleich gut. Natürlich muss man dann unterscheiden, wie gut wurde das neuronale Netz trainiert. Natürlich kann es sein, dass das Netz Daten prozessieren muss, was es im Training nicht gesehen hat und dann kann es natürlich auch sein, dass auch ein neuronales Netz Fehler macht, aber nicht aufgrund von Müdigkeit.

Okay, also letztendlich kommt es dann eben auch auf die Zusammenarbeit von Menschen und Maschine an.

Auf jeden Fall.

Wahrscheinlich spuckt dann die KI sozusagen eine gewisse Wahrscheinlichkeit dafür aus, dass das Gewirr jetzt krank oder gesund ist.

Genau.

Aber es ist ja schon mal eine Riesenhilfe, wir werden gleich bestimmt nochmal näher auch auf den Begriff neuronalen Netz eingehen, aber ich würde sagen, vorher wird mal wieder gewürfelt. Wir haben wieder eine Drei. - Und damit kommen wir aufs E-Werk. - Also genau da, wo wir jetzt gerade sind. - Genau. – Und erstens, wir stellen jetzt eine Spaßfrage. Es ist klar, also im E-Werk wird Spaß gehabt, es geht ja gar nicht anders. - Aber mit was wird Spaß gemacht? Mit sehr viel guter Musik. Das heißt, wir ziehen jetzt alle einmal unsere Kopfhörer auf, die wir hier rumliegen haben. Danke schön. - Und wir lassen uns da jetzt mit lauter Musik bespielen und versuchen, während uns diese Musik auf die Ohren ballert, ein Gespräch zu führen. - Genau. Ich würde jetzt gerne im großen Saal unten sein und tanzen.

Oh ja.

Elisabeth, wenn du nicht Informatikerin geworden wärst, was wäre dein zweiter Traumberuf gewesen?

Jetzt, wo ich die Musik so höre, wäre das wahrscheinlich irgendwas mit Musik geworden.

Bist du denn musikalisch begabt?

Begabt bin ich leider gar nicht musikalisch, ich kann sehr gut Musik hören.

Also wenn es einen Beruf geben würde, wo man dafür bezahlt wird, dass man Musik hört, dann wäre das dein...

Oh ja, da wäre ich sofort dabei. Entweder Musik hören oder dazu tanzen, auf jeden Fall.

Bist du denn ein Tänzerisch begabt? Oder auch nicht?

Nein, leider nicht, aber ich tanze sehr, sehr gerne.

Okay, Anna fällt uns einen Beruf ein, wo man fürs Musik hören bezahlt wird. Vielleicht MusikredaktörIn beim Radio? - Ja, genau.

Oder man kann natürlich auch mit KI-Musik machen.

Oh, stimmt, da habe ich auch schon was zugemacht, das ist auch wahnsinnig interessant. - Kommt vielleicht die Dritte wieder zu deinem Fachgebiet, ich merk schon, du begeisterst dich sehr für das Thema, was eigentlich super ist. Wir gehen leider... - Wir verlassen das E-Werk, wir verlassen die Tanzfläche. - Ah, schön. - Ich vermisse es. Alles klar, gut, bis dahin würfeln wir jetzt erstmal weiter, wir haben eine Zwei. Und das bedeutet, wir haben wieder eine W-Frage und befinden uns jetzt aber an der medizinischen Fakultät. Medizinische Fakultät bedeutet Anna? - Kannst du dir vorstellen, wir sind jetzt langsam durch Erlangen gelaufen und gehen jetzt von unserem Vorlesungssaal der Medizin ins Krankenhaus, wo wir unser Praktikum oder sonst irgendwas absolvieren müssen. Und im Krankenhaus muss man oft Masken tragen. Hast du deine Maske dabei? Ja. Dann einmal eine Maske aufziehen. Und während wir jetzt so durchs Krankenhaus schlendern, stellen wir dir einfach noch eine Frage zu deiner Forschung. - Okay, also du hast gerade ja schon den Begriff des neuronalen Netzes erwähnt und auch schon so ein bisschen erklärt, dass es sich daran anlehnt, dass es so ein bisschen wie ein Gehirn funktionieren soll. Also das Gehirn besteht ja auch aus diesen Neuronen, die irgendwas miteinander machen, was wir aber vielleicht gar nicht so genau wissen. Jetzt ist allerdings das Verständnis von KI zumindest in den Teilen der Gesellschaft, die sich damit noch nicht auseinandergesetzt hat, so ein bisschen ein anderes, gerade wenn man sich irgendwie von Filmen oder Serien oder Büchern inspirieren lässt, hat man häufig diese Vorstellung von einer selbstdenkenden Einheit, die vielleicht sogar schon Persönlichkeit hat. Also es ist ein bisschen futuristisch natürlich, aber es ist quasi so ein bisschen, also eigentlich was ganz anderes als eine KI jetzt mit der du dich auseinandersetzt. Lass uns doch mal versuchen das voneinander abzugrenzen. Also was ist denn eigentlich eine KI heutzutage, wie funktioniert sie? Was kann sie und was kann sie nicht? Im Gegensatz zu dieser Vorstellung einer sogenannten starken KI, also einer selbstdenkenden KI.

Genau, also heute ist es so, dass mit KI bestimmte Aufgaben sehr gut erledigt werden können, aber es ist auch so, dass man eine KI eigentlich nur für eine bestimmte Aufgabe trainiert. Also wenn wir eine KI haben, die ein bestimmtes Organ auf einem medizinischen Bild sucht, dann kann sie eigentlich auch nur das, wenn man sie zum Beispiel auch mit anderen Bildern füttern würde, dann würde sie vermutlich irgendwas finden. Also eine KI, ich würde gar nicht sagen, dass sie in dem Maße intelligent ist, wie das so in Filmen das Bild verkauft wird, sondern sie kann eigentlich nur eine Aufgabe, das Ganze ist ja gut, aber mehr auch nicht. Und eine KI in dem heutigen Sinne denkt auch gar nicht selber drüber nach, was sie macht, sie macht es einfach. Also sie hat jetzt keinen Kontext wissen, das ist jetzt ein Bild von der Leber, neben der Leber liegt dies und das, also das kann sie überhaupt nicht. Und in den Filmen haben wir ein Bild von einer KI, die einen Selbstbewusstsein hat, also bewusst selber denken kann und bewusst auch neue Sachen selber lernen kann und sie in einem Kontext setzen kann. Und da sind wir aus heutiger technischer KI-Sicht noch lange nicht. Also es gibt Ansätze, die sich damit beschäftigen, wie man einer KI Bewusstsein beibringen kann, aber das ist noch Zukunftsmusik, würde ich sagen.

Das basiert ja wahrscheinlich auch darauf, dass wir schon selbst vom menschlichen Gehirn oder vom menschlichen Körper und den bioschemischen Prozessen, die dort passieren, wie wir verstehen und das menschliche Bewusstsein ist ja jetzt noch nicht wirklich entschlüsselt, deswegen ist es wahrscheinlich auch schwierig, das nachzubilden. Aber gerade so etwas wie Mustererkennung, das funktioniert ja beim Menschen auch automatisch, man sieht einen Gegenstand oder man sieht eine Zahl oder man sieht irgendetwas, dass ein abstraktes Konzept verkörpert und wir erkennen das. Und das kann man einer KI also auch beibringen.

Genau.

Wie funktioniert das? Was braucht man dafür?

Wenn wir jetzt ein Beispiel haben, wir haben ganz viele Bilder mit Katzen und Hunden und wir wollen der KI beibringen, dass sie auf den Bildern immer eine Katze und ein Hund erkennt. Was man dazu braucht ist erstmal natürlich diese Bilder und auch zu jedem Bild müssen wir wissen, wo genau ist die Katze und wo genau ist der Hund, also so genannte Grundwahrheit oder das gewünschte Ergebnis muss vorhanden sein. Und meistens wird das aber auch tatsächlich noch manuell annotiert, das heißt ein Mensch setzt sich hin und schaut sich jedes Bild an und kreist die Katze oder den Hund ein. Und wenn wir das haben, können wir eben so ein künstliches neuronales Netz verwenden, was am Anfang überhaupt nichts weiß. Also wo wir vorne das Bild einspeisen und hinten purzelt das Ergebnis raus. Und wenn wir anfangen das zu trainieren, also quasi diese Neuronen im Inneren des Netzes anpassen wollen auf diese bestimmte Aufgabe, dann wird am Ende bei den ersten Versuchen erstmal ein falsches Ergebnis rauskommen. Dadurch, dass wir aber das wahre Ergebnis kennen, können wir sagen, ach guck mal, das wäre eigentlich das gewesen, das Ergebnis und dann kann das Netz eben diesen Unterschied zwischen dem aktuellen Ergebnis und dem wahren Ergebnis verwenden, um die Neuronen im Inneren so weit anzupassen, dass es beim nächsten Mal näher an der Wahrheit liegt.

Und anpassend bedeutet, dass man, also es ist ja letztendlich ein mathematischer Prozess, der da zugrunde liegt, dass man irgendwelche Parameter anpasst und sagt, okay, wofür eine Zwei drinstand, die dann ein falsches Ergebnis produziert hat, probieren wir es mal mit einer 7, weil das wahrscheinlich zu einem besseren Ergebnis führen wird.

Genau.

Also einfach ganz viel Mathematik, aber was letztendlich im neuronalen Netz passiert und warum das passiert, das lässt sich wahrscheinlich dann auch als Mensch gar nicht so leicht sagen, oder?

Es ist eine sehr große Anzahl an Parametern, also den mathematischen Prozess, den man zum Trainieren braucht, der ist natürlich definiert, aber wie dann genau alle Parameter sich anpassen, das kann man sich zwar anschauen, aber als Mensch wird man vermutlich rein von den Mustern, die sich dann dort im Inneren ergeben, nicht viel sehen.

Kann man denn dann überhaupt noch sagen, warum die KI jetzt die Katze als Katze erkennt?

Also es gibt Ansätze, die sich bestimmte Schichten in so einem Netz angucken, um dann zu verstehen, auf welche Merkmale in den Bildern reagiert das Netz mehr oder weniger. Man kann also quasi sich schon ein bisschen was zurechtlegen. Man kann zum Beispiel bestimmte Merkmale identifizieren, die zum Beispiel für eine Katze oder für ein Hund sprechen, die das Netz auch erkennt. Aber ich würde sagen, das kann man nicht in jedem Fall. Also man kann jetzt nicht jedes Netzwerk, vor allem wenn das sehr viele Parameter hat, kann man das nicht so sehr analysieren, dass man das als Mensch versteht, was da genau vor sich geht.

Eine letzte Frage hätte ich da jetzt noch. Wenn man jetzt derselben KI sagen würde, mal mal eine Katze, könnte sie das?

Das ist eine schwere Frage.

Weil dafür bräuchte man jetzt sozusagen ja wieder ein Verständnis davon, was eine Katze ist und ein Verständnis von diesem abstrakten Konzept. - Statt nur Parameter zu ergreifen.

Ja, genau. Das wäre wahrscheinlich gar nicht mehr so leicht möglich.

Das heißt, da sehen wir dann jetzt schon den Unterschied zwischen der KI heute und der KI, was man sich so ein bisschen als Utopie vorstellt. Also sie ist gut im Analysieren, aber selber etwas hervorbringen, da sind wir noch nicht. - Genau, sehr eindeutig immer noch ihre Grenzen, die vielleicht auch nicht schlecht sind, aber vielleicht auch nicht. - Also ich finde das super interessant. Aber ich würde sagen... - Ich würde sagen, wir verlassen langsam die Klinik und dürfen damit auch unsere Masken wieder absetzen. Genau, und bei Seite legen und nochmal würfeln. Genau. Eine Drei. Damit sind wir nochmal auf einem Wissenschaftsfeld. Obwohl, ich würde sagen, damit sind wir auf der Mensa und wir machen einfach mal kurze Pause. Braucht man ja auch zwischendurch mal. Wenn du jetzt in die Mensa gehst, was würdest du dir denn bestellen?

Also ich fand tatsächlich immer die Currywurst sehr, sehr gut mit Pommes, weil da kann man tatsächlich nicht viel falsch machen.

Das stimmt. - Die habe ich mir auch an der TechFak schon häufig genehmigt. - Wirst du als Studie oft in die Mensa gegangen?

Ja, tatsächlich. Eigentlich, wenn ich an der Uni war, dann war ich in der Mensa. Und ich habe als ich noch studiert, da war ich auch in der Innenstadt gewohnt und da war der Weg auch zur Stadtmensa sehr kurz und das habe ich auch öfters genutzt.

Ich wohne auch gleich um die Ecke und jetzt auch während Corona oder sowas, weil es schon immer sehr praktisch ist, dass du immer kurz gucken können, wenn du keine Zeit oder keine Lust hat es zu kochen, hat die Mensa ja wirklich immer ein gutes Angebot. - Und es gehört ja irgendwie zum Uni-Alltag auch dazu. Man geht ja auch nicht nur in die Mensa, um zu essen, sondern es ist ja auch so eine soziale Komponente dabei. Das vermisst ich total. - Auf jeden Fall. Aber ich kriege jetzt vom ganzen über Essen sprechen schon ein bisschen Hunger, deswegen würde ich sagen, würfel lieber gleich nochmal und wir ziehen weiter.

Sehr gern.

Noch mal eine Drei. Wir sind an der NatFak und nochmal auf einem Feld mit einer W-Frage. Und wenn wir an der NatFak sind, stellen wir uns ja immer zum Beispiel einen Versuch vor, der in einem Labor durchgeführt wird und genauer an dem versuchen wir uns jetzt so ein bisschen anzulehnen und die Frage und die Antwort in einer Art Versuchsprotokoll zu stellen. Also wir brauchen die Versuchsfrage, die Durchführung und das Ergebnis. Ich versuche es jetzt mal mit der Frage, also wir schreiben den 31. Oh Gott, das ist schon der 31. Wir schreiben den 31. August. Es ist ungefähr 12.15 Uhr, würde ich sagen. Und wir sitzen im Labor zu dritt mit Janno, Elisabeth und mir. Und die Fragestellung lautet mittlerweile bist du ja nicht mehr nur an der Uni, sondern auch bei Siemens oder Siemens Healthineers. Also du bist in dem Bereich der praktischen Medizintechnik übergegangen. Wie kann man sich denn das praktische Endergebnis der Anwendung deiner Forschung vorstellen?

Also bei Siemens Healthineers bin ich ja in der Vorentwicklung tätig und ich würde sagen, das ist so ein Bindeglied auch zwischen Praxis und Theorie. Das heißt, unsere Durchführung ist erstmal das Einholen von der Theorie aus der Uni. Das wäre so der erste Schritt. Dann auch Einholen von Meinungen oder Rückmeldungen aus der Praxis, also von den Ärzten und Ärztinnen. Und dann überlegen wir uns, was wäre der nächste Schritt? Wie können wir diese Theorie mit den Anforderungen aus der Praxis zusammenbringen? Was wären die nächsten Schritte in der Zukunft? Also was wäre denn das nächste mögliche Produkt? Und der nächste Schritt wäre dann, dass wir Daten aus der Klinik bekommen und mit diesen Daten verschiedene Experimente durchführen. Verschiedene mögliche Szenarien für die Zukunft uns ausmalen und die eben mit den ersten prototypischen Ergebnissen untermalen und uns nochmal von den Ärzten und Ärztinnen das Feedback einholen, ob sie sich das so vorstellen könnten in der Zukunft oder nicht. Und das Endergebnis wäre bei uns in der Vorentwicklung sozusagen eine Beschreibung von einem möglichen Produkt, wie das aussehen könnte in der Zukunft und das geht dann weiter an die Produktentwicklung, wo dann das tatsächliche Produkt entwickelt wird.

Hast du schon mal eine Idee von dir dann auch in einem Endprodukt wieder erkennen können?

Ich bin wahrscheinlich noch gar nicht so lange dabei, als dass möglich wäre, weil tatsächlich solche Produktentwicklungszyklen doch relativ lang sind. Also lang bedeutet schon ein bis zwei Jahre vergehen von der ersten Idee bis dann zur tatsächlichen Realisierung.

Und wie lange bist du jetzt schon bei Healthineers?

Bei Healthineers und meiner jetzigen Position bin ich seit 8 Monaten und vorher war ich eben auch in der Vorentwicklung für meine Doktorarbeit. Aber das war dann natürlich noch theoretischer als jetzt.

Also stellen wir dir die Frage einfach ein paar Jahre nochmal und dann kannst du sicherlich mit dir aber antworten. - Und dann hoffen wir mal, dass der Laborleiter mit unserem Protokoll zufrieden ist. Wir setzen eine Unterschrift runter und geben ab. - Und du würfelst eine vier. Jetzt geht es ein bisschen schneller voran, damit sind wir beim Sportgelände. Und stellen die nächste Frage, eine Spaßfrage, ein bisschen sportlich, würde ich sagen, wie ein Sportmoderator oder ein Spieler nach einem aufregenden Spiel. - Guckst du denn oder interessierst du dich für Sport?

Ich habe jetzt die Olympia so ein bisschen mitverfolgt.

Okay, da haben wir ja auch ein paar Interviews gehabt von SportlerInnen. Okay, dann versuchen wir das mal so ein bisschen nachzustellen. Okay, bei mir ist jetzt Elisabeth Preuhs, nach einem sehr anstrengenden Match. Erst mal Glückwunsch zur grandiosen Forschungsleistung. Man hat echt gesehen, wie viel Kraft und Arbeit sie heute in ihren Entwurf gesteckt haben. Können Sie mal beschreiben, wie anstrengend es heute war, bei diesen Umständen, bei diesen Temperaturen, bei dieser Atmosphäre, ihre Forschung zu betreiben. Also wie anstrengend war es heute?

Ich muss mich erstmal sammeln. Also wenn es dann so weit ist und alles vorbei ist, muss ich sagen, vergisst man, was man für anstrengende Kraft da reingesteckt hat. Aber wenn man ein bisschen reflektiert und zurückdenkt und all die Jahre, all die Monate, all die Tage an der Uni und sich denkt, so viele Stunden habe ich reingesteckt und ganz oft kein Ergebnis gesehen. Das denke ich ist das Anstrengendste, wenn man einfach ganz lange vor seiner Forschung sitzt und versucht und versucht und immer mehr Experimente macht und sich immer mehr Sachen und Daten und Theorien anschaut und einfach nicht wirklich was dabei rumkommt. Und dann eines Tages so wie heute passiert doch was ganz Tolles und plötzlich macht alles einen Sinn. Und ich bin einfach super happy, dass das am Ende doch alles so toll ausgegangen ist und dann am Ende weiß man auch, wofür man die ganze Zeit gearbeitet hat.

Wenn das mal kein motivierendes Interview war für alle Studierenden, die vielleicht gerade noch mit rauchen im Kopf in der Bib sitzen und sich denken, warum mache ich das eigentlich? Irgendwann lohnt sich es. Damit darfst du auch weiterwürfen, dann gehen wir gleich ein bisschen weiter. Und wie wir gerade schon über die Bib gesprochen haben und die Studis, die da gerade mit rauchen im Kopf sitzen, hat es uns jetzt auch hin verschlagen in die Bibliothek. Und ich mache es gerade schon so ein bisschen vor. In der Bibliothek muss man natürlich leise sein, dass man die anderen Leute nicht so stört. Deswegen flüstern wir jetzt unsere nächste Frage. Und wir sind auf einer eckigen Frage gelandet. Das heißt, wir stellen dir noch eine Spaßfrage. Gibt es denn ein Film oder ein Buch zum Thema künstliche Intelligenz, das dich persönlich fasziniert hat?

Filme über künstliche Intelligenz verbreiten ja oft das Image, dass die künstliche Intelligenz einfach schon ein Selbstbewusstsein hat. Und meistens wenden sich die KIs dann gegen den Menschen. Und so ist es auch in einem meiner Lieblingsfilme, der heißt Ex Machina. Und in diesem Film geht es darum, dass ein Mensch erkennen soll, ob ein Android, also ein Roboter, der aussieht wie ein Mensch, wirklich eine KI ist oder keine KI. Und am Ende, ich nehme jetzt mein das Ende vorweg, wendet sich natürlich die KI gegen den Menschen, weil sie selber fliehen will, weil sie selber Gefühle entwickelt hat. Und ich finde, es ist ein superspannender Film, aber dennoch vermittelt der Film immer noch nicht die tatsächliche Wahrheit oder das tatsächliche Bild über die KI. Ein zweiter Film ist ein Dokumentationsfilm, der tatsächlich auch quasi das Bild von einer bösen KI vermittelt ist, Coded Bias, den ich auch sehr gemocht habe. Und da geht es darum, dass die KI zum Beispiel Menschen mit dunkelhäutiger Hautfarbe diskriminiert. Und da könnte man sich auch denken, die böse KI, aber man kann das umdrehen und sagen, eine KI ist immer nur so gut wie die Daten, auf denen sie trainiert wird. Und daraus könnte man auch die Aussage ableiten, dass diese KI auch unsere diskriminierende Welt ein bisschen abbildet und das nicht die KI an der Diskriminierung schuld ist, sondern tatsächlich die Welt oder die Daten, die wir über die Welt sammeln.

Eröffnet einen ganz schön die Augen, da gibt es im Moment auch sehr viele Diskussionen über KI, die irgendwie Bias ist und bestimmte Menschen einfach benachteiligt.

Genau.

Ob es jetzt aufgrund von Hautfarbe oder Geschlecht ist, da gibt es ja sehr viele Themen im Moment, gerade die ja auch wichtig sind. Aber auf jeden Fall zwei sehr spannende Filme, die kommen auf meine Watchliste. Du darfst nochmal würfeln und wir gehen aus der Bib raus. Und damit hat es uns nach Nürnberg verschlagen, und zwar an die... - Wirtschafts- und Sozialwissenschaftliche Fakultät in Verbindung mit der juristischen Fakultät. Ich glaube, die sind alle unter einem Dach, ne?- Danke, ich finde diesen Namen immer so lange. - Ich weiß auch nicht, ob ich das richtig gesagt habe, aber WiSo steht für wirtschaftlich/ sozialwissenschaftlich. Aber Jura ist auf jeden Fall noch dabei, die dürfen wir nicht vergessen. - Genau. Und damit sind wir nochmal auf einer Wissenschaftsfrage, die natürlich auch in einem bestimmten Stil beantwortet werden soll, und zwar in dem Stil der Juristen. Also sehr viel konjunktiv, immer so ein bisschen subsumieren zwischendurch. Und Janno ist gerade schon am überlegen und macht es dir gleich mal vor. - Okay, ich probiere es mal. Also die Juristen fangen mit einer Vermutung an oder mit einer Annahme, die zu prüfen wäre. Die Annahme lautet jetzt, du bist als junge Frau in einer Branche, in der Frauen noch häufig unterrepräsentiert sind. Das ist die Annahme. Und jetzt könnte es sein, dass du dich für junge Frauen engagierst, die damit mehr Frauen auch in die Branche einsteigen und gerade junge Mädchen, vielleicht auch Schülerinnen noch, sich für das Thema Informatik begeistern können. Wenn das so wäre, dass Frauen in der Informatik tatsächlich unterrepräsentiert sind, wie würde es dir als Frau denn dann gehen?

Also das ist jetzt natürlich eine starke Vermutung, wenn dem so wäre, wäre das bestimmt schon in einem Gesetz irgendwie festgehalten, dass wir vielleicht eine Frauenquote brauchen könnten. Ich denke, wie es mir in so einer Branche gehen würde, ist, dass ich mich wahrscheinlich vielen Fragen aussetzen müsste, die vielleicht nicht allen Männern gestellt werden, zum Beispiel, wie würdest du dann Familie und Beruf unter einen Hut bekommen? Ich glaube, ich mutmaße jetzt natürlich nur, aber meistens werden solche Fragen Männern nicht gestellt. Wie es mir wahrscheinlich da auch gehen würde, ist, ich hätte wahrscheinlich wenige Vorbilder und würde natürlich weniger Frauen in meinen Positionen sehen oder in den Positionen über mir, weil natürlich weniger Frauen da wären.

Okay, und jetzt sind ja die Indizien eigentlich relativ erdrücken, dass Frauen tatsächlich unterrepräsentiert sind und dass das auch häufig dazu führt, dass Algorithmen dabei rauskommen, die tatsächlich auch unterrepräsentierte Gruppen diskriminieren oder vernachlässigen. Deswegen ist es ja umso wichtiger, was ich gerade schon angesprochen habe, dass immer mehr Frauen in die Branche reinkommen und sich dort auch durchsetzen können und ihre Ideen und ihre Sicht der Welt auch in die Algorithmen übertragen können. Und du engagierst dich jetzt, wie gerade gesagt, in einem Projekt, das heißt Young Girls for Technik. Was machst du da und mit welchen Argumenten versuchst du denn junge Frauen zu motivieren?

Also das ist ein Projekt, wo wir eben versuchen, also von der Uni, aber auch von Siemens oder von der Industrieseite Forschungscamps, so heißen die für junge Schülerinnen und Mädchen anzubieten, wo sie eben für ein paar Tage herkommen können und sich den Alltag in der Uni und in der Industrie anschauen können und uns auch mit Fragen löchern können, wie wir in diese Branche gekommen sind, was macht uns besonders Spaß an einem technischen Studium. Und mein Argument oder ich versuche ein bisschen auch persönliche Geschichte mit reinzubekommen, um die Mädels zu motivieren. Bei mir war das zum Beispiel auch so, dass ich in der Schulzeit keine Vorstellung von einem Informatikstudium hatte und dass sich erst entwickelt hat, als ich mich für das Studium entschieden habe. Bei mir stand nicht erst die Technik im Vordergrund, sondern ich wollte, was technisches aber mit Medizin machen. Und das ist eben oft so, dass die Mädels, wenn sie in so ein technisches Studium kommen, dann eher so über diesen Umweg, dass durch diese Verbindung mit irgendwas, was typisch weiblich ist, sage ich jetzt mal, irgendwie Medizin, irgendwas Kreatives, irgendwas, wo man sich um andere Menschen kümmert. Das finde ich schade. Und ich versuche eben, den Mädels dann aufzuzeigen, dass wenn man motiviert ist und interessiert ist, dass man das alles lernen kann, auch wenn man vorher in der Schule das überhaupt nicht auf dem Schirm hatte. Und ich versuche ihnen auch praktische Beispiele zu zeigen, an was ich arbeite. Zum Beispiel hatten wir vor zwei Jahren, haben wir tatsächlich einen Scan durchgeführt und dann waren die Schülerinnen live dabei, wie man diese medizinischen Daten aufnimmt, aufbereitet, wie man sie sich anschaut, was man in den Daten alles sehen kann. Und das ist dann natürlich, denke ich, persönlich sehr motivierend, wenn man sehen kann, wie die Technik auch eingesetzt wird.

Auf jeden Fall. Das kann ich mir so gut vorstellen. Ich finde auch, was du gesagt hast, dass man ins Gedächtnis rufen muss oder den Schülerinnen, die überhaupt die Idee geben muss, hey, du kannst das. Das ist nicht nur so ein Männerberuf. Ich finde automatisch, wenn ich mich an meine Schulzeit zurückerinnere, sind bestimmte Sachen auch schon ausgeschlossen. Ich war zum Beispiel nie gut in Chemie und Physik oder sowas. Deswegen wäre es auch nie mein Bereich gewesen, aber es war natürlich auch noch so, ja, das ist ja eh nicht so ein Mädchending. Also ich gehe eher in die andere Richtung. Was bei mir für mich auch gepasst hat, aber ich glaube eben, dass viele Mädels da auch immer noch so ein bisschen in der Ecke gerückt werden, in die sie vielleicht eigentlich gar nicht passen würden, wenn man ein bisschen offener kommunizieren und darüber reden würde.

Also einfach ausprobieren, einfach alles ausprobieren, das ist die Devise meiner Meinung nach.

Das finde ich super. Ich würde sagen, damit darfst du noch einmal würfeln. Eine sechs und damit bist du im Ziel. - Gratulation, du hast es durch unsere Uni geschafft und wir haben wirklich sehr, sehr viel Spannendes über das Thema KI, künstliche Intelligenzen, maschinelles Lernen, neuronale Netze erfahren und vielleicht ja auch die ein oder andere ZuhörerIn dazu motivieren können, sich das Arbeits- und Studiumsfeld der Informatik mal anzuschauen und vielleicht sogar selbst, da reinzustarten. - Auf jeden Fall. Vielen, vielen Dank für deine Zeit. Vielen Dank, dass du hier warst.

Vielen Dank, dass ich hier sein durfte. Hat mich sehr gefreut.

Und viel Erfolg dir weiterhin.

Danke schön.

 

 

Clip iFrame Code

Podcast

#WissenHören

Via

Free

Language

German

Organisational Unit

Friedrich-Alexander-Universität Erlangen-Nürnberg

Producer

Friedrich-Alexander-Universität Erlangen-Nürnberg

More clips in this category "Friedrich-Alexander-Universität Erlangen-Nürnberg"

2023-10-20
Free
public  
2023-10-20
Free
public  
2023-10-20
Free
public