Von Jared Council
NEW YORK (Dow Jones)--Bayer steht bei der Entwicklung von Arzneimitteln und der Verbesserung der Aussagekraft medizinischer Diagnosen mit Hilfe der künstlichen Intelligenz vor einem Dilemma. Um die dafür eingesetzten Algorithmen zu trainieren, benötigt der Pharmagigant möglichst Zugang zu großen Mengen an Patientendaten und andere sensible Informationen. Allerdings ist der Zugang häufig nicht zugänglich, oder Bayer läuft Gefahr, Europas strikte Richtlinien beim Datenschutz zu verletzen.
Um dieses Dilemma zu lösen, prüft Bayer einen Ansatz der Datenanalyse, den die Alphabet-Tochter Google vor drei Jahren erstmals erdacht hat. Die Idee ist simpel: Algorithmen werden lokal an Daten trainiert, also an dem Ort, wo sie vorliegen, und nicht bei Bayer in die Systeme eingespeist, sagt Angeli Möller, Co-Chefin für Projekte mit künstlicher Intelligenz im Pharmageschäft von Bayer.
Google hat dieses Verfahren bereits 2017 in einem Research Paper erörtert, als ein Weg, Algorithmen anhand von Verbraucherdaten von Millionen von Mobilfunkgeräten zu trainieren, ohne dass diese Daten in die eigene Cloud verschoben werden. Das Konzept, bezeichnet als "Federated Learning", was sich als dezentrales maschinelles Lernen übersetzen ließe, wandert nun aus dem Technologiesektor in die breitere Unternehmenswelt. Damit nimmt es einen Weg, den viele Technologien vor ihm beschritten haben.
Algorithmen werden über Daten-Kooperationen trainiert
Bayer will in diesem Jahr zwei Projekte in Form des "Föderierten Lernens" umsetzen: zum einen bei der Identifizierung vielversprechender Arzneimittelwirkstoffe und zum anderen bei der Erkennung einer seltenen genetischen Mutation im Zusammenhang mit Krebs. Algorithmen sollen dabei auf Basis von Datensätzen verbessert werden, die in Krankenhäusern, Universitäten und bei anderen Konzernen vorliegen. Die Daten sind verschlüsselt, trotzdem reicht dies, Bayers Algorithmen im Hinblick auf verbesserte Prognosefähigkeit zu trainieren.
"Viele unserer Projekte im Bereich künstlicher Intelligenz erfordern solch eine Zusammenarbeit", sagt Möller, die auch die IT-Business-Partnering-Forschung der Pharma-Sparte von Bayer leitet. "Und um diese Kooperationen zu ermöglichen - und gleichzeitig die Patientendaten oder das geistige Eigentum der einzelnen Gruppen zu schützen - hatten wir plötzlich einen Bedarf an einer neuen Lösung", berichtet sie am Telefon in ihrem Berliner Büro.
Das "Föderierte Lernen" ermöglicht es Unternehmen im Gesundheitswesen, die Bandbreite der KI-Trainingsdaten zu erweitern, ohne den Datenschutz bei Patienten zu verletzen, sagte Aditya Kaul vom Marktforschungsunternehmens Tractica.
Mit dem Ansatz sparen sich Firmen überdies Kosten und Zeitverzug, die mit dem Datentransport verbunden sind, besonders bei hochauflösenden medizinischen Aufnahmen. "Die Leistung von KI-Modellen steht in direkter Beziehung zu der Datenmenge, die ihnen zur Verfügung steht", sagt Marktforscher Kaul. "Wenn es Engpässe beim Zugriff auf Patientendaten gibt, wirkt sich das direkt auf den Erfolg der KI im Gesundheitswesen aus."
Algorithmen sollen Prognosefähigkeit verbessern
Bayers erstes Projekt für Föderiertes Lernen soll Melloddy heißen, abgekürzt für "Machine Learning Ledger Orchestration for Drug Discovery". An dem Projekt, das vom französisch-amerikanischen KI-Startup Owkin koordiniert wird und noch in diesem Jahr beginnen soll, werden 10 große Pharmaunternehmen beteiligt sein, darunter Novartis und Astrazeneca.
Alle Beteiligten haben sich im vergangenen Sommer darauf geeinigt, sich wechselseitig Zugang zu den eigenen chemischen Substanzdatenbanken zu gewähren, um ihre jeweiligen Algorithmen daran zu trainieren. Substanzdatenbanken dienen oft als Ausgangspunkt für die Arzneimittelforschung.
Immer geht es darum, die Prognosefähigkeit der Algorithmen dahingehend zu verbessern, welche chemischen Verbindungen wohl das größte Potenzial haben, Kandidaten für künftige Arzneimittel zu werden. Sowohl Zeit und Kosten in der Arzneimittelforschung sollen so verringert werden. Bayer hat entschieden, sich auf die Behandlung von Herz-Kreislauf-Erkrankungen und Krebs zu konzentrieren.
Die Unternehmen werden Blockchain verwenden, eine Liste vollständig zurückverfolgbarer und unveränderbarer Datensätze. So soll sichergestellt werden, dass die Bedingungen beim Algorithmentraining eingehalten und die jeweiligen Datensätze von der Konkurrenz so verwendet werden wie vereinbart.
Laut Bayer umfasst die eigene pharmazeutische Datenbank etwa 4,5 Millionen Wirkstoffen. Durch das Melloddy-Projekt soll sie Zugang zu 10 Millionen weiteren Verbindungen sowie zu Milliarden von Datenpunkten über die biologischen Wirkungen dieser Wirkstoffe bekommen. Das Projekt soll voraussichtlich 2022 abgeschlossen sein.
Für ein zweites Föderiertes-Lernen-Projekt arbeitet Bayer an Vereinbarungen mit sieben Krankenhäusern und Forschungsorganisationen. Dieses Projekt soll sich mit Krebserkrankungen befassen, die durch eine seltene Genmutation - die NTRK-Genfusion - verursacht werden.
Bayer arbeitet dabei an der Entwicklung eines Algorithmus, der Tumore bildlich erfassen und helfen kann, vorauszusagen, ob die Mutation eine Rolle bei der Tumorentstehung spielt. Das ist wichtig, denn Patienten mit dieser Mutation sprechen möglicherweise anders auf Krebsbehandlungen an als Patienten ohne diese Mutation.
"Damit unsere Analyse aussagekräftig ist, benötigen wir [Aufnahmen von] ein paar hundert Patienten", sagt Möller. Da die Mutation aber so selten ist, so Möller, verfügen die meisten Institutionen meist nur Bilder von jeweils etwa 20 oder 25 Patienten. Dieses Projekt wird voraussichtlich Mitte 2020 starten.
Kontakt zum Autor: unternehmen.de@dowjones.com
DJG/DJN/uxd/rio
(END) Dow Jones Newswires
January 27, 2020 09:33 ET (14:33 GMT)
Copyright (c) 2020 Dow Jones & Company, Inc.
