04.03.2024

Teaser image to Get to know MCML Junior Member Moritz Herrmann

Get to know MCML Junior Member Moritz Herrmann

Created during the first MCMLxDJS-Workshop

Dr. Moritz Herrmann conducts research at LMU at the Institute for Medical Information Processing, Biometry and Epidemiology. He compares methods of artificial intelligence and machine learning that could predict the survival time of cancer patients.

Besides his research, Moritz is very engaged as Transfer Coordinator at MCML. Here, he organizes and supports Open Science activities.

This article was written by Charline Schreiber from the Deutsche Journalistenschule (DJS). It was created in a workshop together with DJS. Talented journalism students met some of MCML`s junior researchers and got a glimpse of their work. The result: One article about the research of each junior member that took part at the workshop written by one journalism student. We will upload one article each Tuesday. Stay tuned for some more insights.


Sag mir, wie lange ich noch lebe

Moritz Herrmann forscht an der Ludwig-Maximilians-Universität in München am Institut für medizinische Informationsverarbeitung, Biometrie und Epidemiologie. Er vergleicht Methoden künstlicher Intelligenz und maschinellen Lernens, die krebskranken Patienten ihre Überlebenszeit vorhersagen könnten.

Ein Patient, nennen wir ihn Max, erhält im Krankenhaus die Diagnose Leukämie. Natürlich möchte Max sofort wissen, ob er wieder gesund wird, und wenn nicht, wie lange er noch lebt. Ich frage in meiner Forschung, wie man systematisch maschinelle Lernmethoden vergleichen kann. Zum Beispiel Methoden, mit denen sich die Überlebenszeit von Patienten, wie Max, bestimmen lässt. Die Frage ist: welche ist die Beste?

Meine Forschung lässt sich relativ gut mit medizinischen Studien vergleichen. Wenn ich zum Beispiel ein neues Medikament teste, gibt es bereits ein Medikament, um eine Krankheit zu heilen oder Symptome zu lindern. Aber es gibt auch ein Neues. Anhand vieler Patienten kann ich beobachten, ob das neue Medikament besser funktioniert als das alte. Nehmen wir an, dass die maschinellen Lernmethoden vergleichbar mit einer Behandlung sind und die Datensätze vergleichbar mit Personen, die wir betrachten möchten. Wenn eine Person Hautkrebs hat und wir vorhersagen möchten, wie lange die Person noch lebt, vergleichen wir aber keine Medikamente, sondern statistische Methoden. Und das Ziel ist herauszufinden, welche statistische Methode besser dazu geeignet ist, bestimmte Krebsarten oder die Überlebenszeit eines Patienten vorherzusagen. Denn, ob unser Patient Max noch fünf Monate zu leben hat, oder fünf Jahre ist natürlich ein riesiger Unterschied.

Die Datensätze, mit denen wir unter anderem arbeiten, enthalten klinische Variablen: zum Beispiel Max‘ Alter, sein Geschlecht, Größe und Gewicht, Blutdruck. Alles, was man so im klinischen Alltag an Daten erheben kann. Darüber hinaus kennen wir aber noch seine „Omics-Daten.“ Das sind Daten, die beispielsweise sagen, welche Gene aktiv sind oder nicht oder ob sie mutiert sind. Die klinischen Daten sind schon gute Anhaltspunkte für Max‘ Überlebenszeit. Durch die Omics-Daten können wir ihm aber wohlmöglich noch genauer sagen, wie lange er noch lebt.

Die maschinellen Lernmethoden geben eine Schätzung der Überlebenszeit jedes Patienten an. Die beste Methode ist die, die diese am präzisesten vorhersagt. Aktuell gibt es eine relativ simple aber etablierte Methode, die bereits über 50 Jahre alt ist. Das interessante ist, dass diese Basismethode von keiner der moderneren maschinellen Lernmethoden übertrumpft wird. Das liegt vermutlich daran, dass die einzelnen Krebstypen so unterschiedlich sind. Je nach Krebsart funktioniert eine Methode besser oder eben schlechter. Außerdem ist diese Basismethode, die nur klinische Daten verwendet, nicht so anfällig für Schwankungen.

Unsere Forschung könnte den Medizinerinnen und Medizinern in Zukunft aber die Hand reichen, wenn sie eine Methode auswählen müssen, die auf den Krebstyp des Patienten passt. Bei unserem Patienten Max und seiner Leukämieerkrankung könnte es beispielsweise so sein, dass die Basismethode relativ gut funktioniert. Für eine andere Krebsart und einen anderen Patienten dann wieder eine andere Methode. Das Ziel ist es, langfristig solche Methoden in den Krankenhausalltag zu integrieren. Wenn ein Patient wie Max eine Krebsdiagnose bekommt, könnten Ärztinnen und Ärzte seine Daten einfach in die Methode eingeben und dann konkret für seinen Fall eine Überlebenszeit errechnen. Dabei handelt es sich aber um eine Prognose. Im individuellen Fall kann die Lebenserwartung von der vorhergesagten Überlebenszeit natürlich abweichen. Allerdings sind die Modelle noch nicht so weit. Da muss weiter in die Forschung investiert werden, um Vorhersagen robuster zu machen.

04.03.2024


Related

Link to Causal AI in the field of diagnosis and therapy

22.04.2024

Causal AI in the field of diagnosis and therapy

LMU Newsroom article about the research of our PI Stefan Feuerriegel in the field of AI in diagnosis and therapy


Link to Get to know MCML Junior Member Lukas Gosch

08.04.2024

Get to know MCML Junior Member Lukas Gosch

Article by Jonas Grimm (DJS) about MCML Junior Member Lukas Gosch who conducts research on how quickly - or slowly - AI algorithms react to changes.


Link to Get to know MCML Junior Member Maximiliane Windl

02.04.2024

Get to know MCML Junior Member Maximiliane Windl

Article by Lennart Glaser (DJS) about MCML Junior Member Maximiliane Windl, who Maximiliane Windl researches data privacy in ubiquitous computing systems.


Link to Get to know MCML Junior Member Leon Hetzel

26.03.2024

Get to know MCML Junior Member Leon Hetzel

Article by Leonie Fischer (DJS) about MCML Junior Member Leon Hetzel, who developed an algorithm to significantly increase the efficiency of drug production


Link to Get to know MCML Junior Member Lisa Wimmer

18.03.2024

Get to know MCML Junior Member Lisa Wimmer

Article by Celine Schuster (DJS) about MCML Junior Member Lisa Wimmer, who improves model predictions by supplementing them with a reliable statement about their …