Maschinelles Lernen für die Medizin

Computer sind gut darin, Muster zu erkennen, auch in Kombinationen von genetischen Veränderungen. Effiziente Algorithmen von ETH-Forschenden helfen, für die medizinische Forschung interessante Kombinationen herauszufiltern und auf diese Weise riesige medizinische Datensätze handhabbar zu machen.

was sagen die Gene über die Gesundheit?

Warum erkranken manche Menschen an Diabetes oder an der Alzheimerkrankheit? Warum schlägt die gleiche Krebstherapie bei manchen Patienten sehr gut an und bei anderen gar nicht? Und warum leiden einige Patienten bei der Behandlung unter starken Nebenwirkungen und andere nicht? Eine Antwort auf diese und ähnliche Fragen lautet: Alle Menschen haben unterschiedliche genetische Voraussetzungen, und die Gene beeinflussen, ob eine Person krank wird und wie Medikamente im Körper wirken. Die grosse Herausforderung ist, herauszufinden, welche Kombinationen von Genvarianten für den Ausbruch einer Krankheit oder die Wirkung eines Medikaments verantwortlich sind. Da das Erbgut des Menschen aus Milliarden von DNA-Bausteinen besteht und es somit eine gigantische Anzahl an Kombinationen gibt, gleicht diese Aufgabe der Suche nach einer Nadel im Heuhaufen.

Dazu braucht es das maschinelle Lernen: Effiziente, von ETH-Forschenden entwickelte Algorithmen analysieren riesige medizinische Datenmengen und suchen in der DNA nach Mustern, die mit den Krankheiten zusammenhängen. Anstatt die astronomisch hohe Zahl an denkbaren Kombinationen von Genveränderungen zu untersuchen, nutzt der Computer selbstständig erkannte Muster, um die Anzahl der noch zu überprüfenden Fälle massiv zu reduzieren.

An dem Stand erfahren Sie mehr zur Mustererkennung in der Medizin und zu den typischen Problemen beim Umgang mit riesigen Datensätzen. In einem interaktiven Spiel können Sie Ihre Fähigkeiten in der Mustererkennung erkennen und dabei den Highscore knacken.

Beteiligte

Prof. Dr. Karsten Borgwardt
Dr. Dean Bodenham
Dr. Lukas Folkman
Elisabetta Ghisu
Thomas Gumbsch
Anja Gumpinger
Dr. Xiao He
Dr. Katharina Heinrich
Felipe Llinares López
Laetitia Papaxanthos
Dr. Damian Roqueiro
Matteo Togninalli
Caroline Weis