Zeig mir dein Gehirn und ich sage dir, wer du bist.

Es braucht nur einen Scan von deinem Hirn, gepaart mit einem KI-Algorithmus, und deine Persönlichkeit wird genauso offenbar wie deine mentalen Probleme.

Erkrankungen werden sichtbar, bevor du sie selbst überhaupt spüren kannst.

Wie klingt das für euch?

Klingt das nach Zukunftsvision oder eher nach futuristischem Horror?

Der Fortschritt von künstlicher Intelligenz in der Medizin hat auf jeden Fall Potenzial für beides.

Die Sprünge sind so gewaltig, dass Gewissheiten wie „Niemand kann dir in den Kopf schauen“ ins Wanken geraten.

Und das alles nur mithilfe von Scans unserer Gehirne und der passenden Software.

Zum Start ins Wissenschaftsjahr 2026 widmen wir uns dem diesjährigen Schwerpunktthema „Der Medizin der Zukunft“.

Was künstliche Intelligenz mittlerweile alles aus einem MRT-Hirnscan herauslesen kann und was das für PatientInnen bedeutet, darum geht es in dieser Folge vom Forschungsquartett.

Ich bin Caroline Breitschädel, schön, dass ihr wieder mit dabei seid.

Das Forschungsquartett – Wissenschaft bei detektor.fm, in Kooperation mit dem Forschungszentrum Jülich.

Professor Simon Eickhoff ist führender Experte in der neurowissenschaftlichen Forschung mithilfe von künstlicher Intelligenz.

Und er ist Direktor des Instituts für Neurowissenschaften und Medizin am Forschungszentrum Jülich.

Dort arbeitet er an der Schnittstelle zwischen Neuroanatomie, Data Science und Hirnmedizin.

Herr Eickhoff, Schnittstelle zwischen Neuroanatomie, Data Science und Hirnmedizin – darunter kann sich wahrscheinlich nicht jede und jeder sofort etwas vorstellen.

Können Sie einmal in einfachen Worten erklären, was Ihr Job ist?

Sehr gerne.

Wir wollen herausfinden, was unsere Gehirne jeweils einzigartig macht und wie das mit unserer Einzigartigkeit als Menschen zusammenhängt.

Ich hole ganz kurz zehn Sekunden aus.

Wir alle sind unterschiedlich.

Wir sehen anders aus, Alter, Geschlecht.

Aber wir haben auch Unterschiede in unserer Biografie und ganz wichtig, natürlich auch ganz viele Unterschiede in unseren mentalen Fähigkeiten.

Der eine kann sich besser konzentrieren, jemand hat ein gutes Gedächtnis.

Unsere Persönlichkeiten sind unterschiedlich.

Der eine ist sehr gewissenhaft, der andere ist sehr kommunikativ.

Ja, und zu guter Letzt sind wir auch alle unterschiedlich darin, inwieweit wir an neurologischen oder psychiatrischen Erkrankungen leiden oder eine Prädisposition dafür haben.

Heißt also, jedes Gehirn ist ein Einzelstück.

Jedes Gehirn ist anders und natürlich sollten die Unterschiede in meinetwegen unseren Erfahrungen, in unserem Lebensstil, aber auch in Alter, Geschlecht, Genetik, die sollten einen Einfluss darauf haben, wie die Gehirne unterschiedlich sind.

Und auf der anderen Seite sollte die Verschiedenheit, die Variabilität der Gehirne bedingen, wie wir unterschiedlich sind in unserem Verhalten, wie gut wir einzelne Sachen können, wo wir vielleicht nicht so gut sind, wie unsere Persönlichkeit ist, wie wir sozial agieren.

Ja, und letztendlich auch, was sind die Erkrankungen, die uns betreffen oder bedrohen.

Und das ist genau der Schwerpunkt unserer Arbeit: herauszufinden, wie diese verschiedenen Aspekte miteinander in Bezug gesetzt werden.

Und da sind wir natürlich ganz klar im Bereich Datenwissenschaften.

Da brauchen wir künstliche Intelligenz, weil das ist nichts mehr, was man sich anschaut.

Also wir scrollen jetzt nicht 10.000 Gehirne durch und gucken, wo sind da irgendwelche Auffälligkeiten, die meinetwegen mit einer ganz tollen Gedächtnisleistung zusammenhängen.

Sondern das muss dann eben über diese große Datenverarbeitung geschehen.

Sie machen das nämlich mit Hilfe von künstlicher Intelligenz, mit KI-Algorithmen.

Da kommen wir gleich vielleicht nochmal genauer drauf zu sprechen.

Sehr gerne.

Also, Sie analysieren die Gehirne von Menschen sozusagen und ziehen dann Rückschlüsse daraus.

Und was ich mir noch relativ einfach vorstellen kann, ist, dass man durch so MRT-Hirnscans organische Erkrankungen erkennen kann.

Also zum Beispiel bei Alzheimer ist es ja möglich, weil die Krankheit das Gewebe verändert.

Nun habe ich aber auch gelesen, dass an der KI-Erkennung von Persönlichkeitsmerkmalen, wie Sie gerade auch schon gesagt haben, geforscht wird.

Wie kann ich mir das denn vorstellen?

Also grundsätzlich ist es dasselbe, nur viel schwieriger, um es mal so zu sagen.

Alzheimer ist ein guter Extremfall.

Bei der Alzheimer- Erkrankung, gerade im fortgeschrittenen Stadium, haben Sie übers ganze Gehirn hinweg einen massiven Gewebsverlust.

Das ist etwas, das sehen auch Sie als Laie auf dem MRT.

Da ist einfach relativ zu der Schädelhöhle ziemlich wenig Gehirn übrig.

Ich hatte aber vorhin ja auch schon gesagt, unsere Gehirne sind unterschiedlich.

Ihr Gehirn, mein Gehirn ist anders aufgebaut.

Heißt also, wir haben sowas wie einen individuellen Fingerabdruck.

Unser Gehirn folgt bei jedem einem Grundbauplan, aber an jeder Stelle im Gehirn, bei jeder Verbindung zwischen zwei Regionen gibt es immer eine Variabilität.

Und wenn man sich das übers Gehirn anguckt, dann kommen wir schnell auf hunderte von Merkmalen.

Und fügt man das jetzt zusammen, wir haben also hunderte von Merkmalen und in jedem dieser Merkmale gibt es eine Variabilität über Personen, dann haben wir da eine sehr, sehr reiche Datengrundlage.

Also diese ganzen Regionen in Kombination, die ganzen Verbindungsstärken in Kombination, kann man daraus Muster erkennen, die wiederum dann Rückschlüsse auf die individuellen mentalen Fähigkeiten oder Erkrankungen oder Prognosen oder ich sage es mal ein bisschen salopp: was auch immer erlauben.

Wir haben immer auf der einen Seite die neurobiologischen Merkmale, das, was wir im MRT gemessen haben, und auf der anderen Seite eine Zielvariable, also irgendwas, was wir vorhersagen wollen.

Wir wollen vorhersagen, wie gut ist ihr Arbeitsgedächtnis?

Sind sie in der Gruppe, die einen Rückfall erleidet, oder die, die keinen Rückfall erleidet?

Heißt also, in allen Fällen haben wir immer dieselbe Grundaufgabe, nämlich aus diesen großen, hochdimensionalen Hirndaten mit hunderten von Regionen von Verbindungen Muster zu erkennen, die dann bei neuen Personen, der Algorithmus vorher nicht gesehen hat, trotzdem eine korrekte Vorhersage der Zielvariable zu erlauben, sodass letztendlich unterschieden werden kann, was sind Merkmale, die es wirklich erlauben, auf neue Fälle zu generalisieren und was sind Sachen, die zwar irgendwo einen Zusammenhang haben, aber im Endeffekt keine wirkliche Aussage erlauben.

Können wir gerne noch weiter darauf eingehen, aber das ist so die Grundkonzeption unserer Arbeit.

Sie nehmen mir quasi die Stichwörter vorweg, weil ich gelesen habe, dass es eben viele Fallstricke auch dabei gibt, den KI-Algorithmus zu trainieren.

Vielleicht mögen Sie dazu noch etwas sagen, was die Risiken sind und worauf man da achten muss.

Ja, also zum Beispiel, was sind Einflüsse, die sowohl mit der Neurobiologie als auch mit der Zielvariable zusammenhängen?

Das ist ein Riesenproblem, wenn es Richtung Verzerrungen und Diskriminierung geht, gerade von Subpopulationen.

Wir haben das mal auch zum Beispiel an Daten aus der USA uns angeguckt.

Wenn wir Modelle auf der weißen Mehrheitsbevölkerung trainieren oder Modelle auf einem Gesamtsample, was dominiert ist von der kaukasischen Bevölkerung, dann funktionieren diese Modelle erst mal schlechter bei Afroamerikanern.

Und woher kommt das?

Ich mache ein einfaches Beispiel: Sie haben eine Trainingsgruppe, bei der ist das Risiko für eine bestimmte Erkrankung sehr stark abhängig von der Wohnsituation.

Heißt also, wenn der Algorithmus das Erkrankungsrisiko vorhersagen will, dann guckt er eigentlich darauf, was sind die Effekte der Wohnsituation.

Also, wenn ich mit meinetwegen vielen Familienmitgliedern auf kleinem Raum lebe, dann ist es sehr wahrscheinlich, ich habe die Erkrankung.

Wenn Sie das jetzt aber anwenden auf eine andere Bevölkerungsgruppe, wo die Wohnsituation, die in meiner Trainingsgruppe ein hohes Krankheitsrisiko darstellt, der Normalfall ist, dann werden potenziell alle davon viel eher als mit einem Erkrankungsrisiko versehen vorhergesagt.

Heißt also, wir müssen gucken, dass unsere Algorithmen wirklich das vorhersagen, was wir vorhersagen wollen.

Und das sind Einflussfaktoren, die unser Gehirn auch beeinflussen.

Und vor allem ist es wichtig, kritisch zu hinterfragen, ob Einflussgrößen auch zwischen verschiedenen Bevölkerungsgruppen gleich verteilt sind.

Sind sie das nicht, haben wir ganz schnell die Gefahr, dass ein Algorithmus eine Verzerrung mit sich bringt.

Und es wird schnell klar, wenn wir Richtung praxischer Anwendung in der Medizin gehen, dann stellen sich ganz, ganz viele von solchen Fragen.

Denn letztendlich sind die Patienten nicht nur Patienten.

Also jemand, der in der Sprechstunde sitzt mit der Frage: „Habe ich Parkinson?“ Jemand, der in der Sprechstunde sitzt mit der Sorge, dass die Depression zurückkommt, der ist nicht nur ein Parkinson-Patient oder ein Patient mit einer Depression, sondern der hat ein ganz vielfältiges Leben davor gehabt.

Ganz, ganz verschiedene Einflussfaktoren.

Es geht los mit der frühkindlichen Situation, mit der Schule, mit der Wohnsituation, sozioökonomischer Stand, Sport, Ausbildung, Beruf, eigene Familie, Trennungserfahrungen etc.

Und all das hat natürlich auch Einflüsse auf das Gehirn.

Und da ist eigentlich die größte und spannendste Baustelle vor uns, zu gucken, was muss man wie berücksichtigen, was muss man wie rausrechnen, korrigieren und was darf man vielleicht auch ignorieren.

Ja, eine Menge zu beachten.

Ich würde noch einen Schritt weitergehen, weil ich mich auch gefragt habe, wenn Sie Menschen jetzt schon so gut in den Kopf gucken können, ist KI schon so gut, dass sie quasi auch in Echtzeit entschlüsseln können, was uns durch den Kopf geht, oder ist das ja noch so Zukunftsmusik?

Also, dieses „was uns durch den Kopf geht“ ist eine deutlich schwierigere Frage als „wie sind wir?“.

Warum?

Wenn wir nach individuellen Merkmalen fragen, dann gucken wir uns ja etwas relativ Statisches an und zwar auf einer bestimmten Skala.

Also Gedächtnisleistung von 0 bis 100, Gewissenhaftigkeit von 0 bis 100.

Also wir haben immer einen gewissen Bereich, wo wir wissen möchten, wo steht jemand.

Geht es auch, dass wir Inhalte entschlüsseln?

Die Antwort ist ein ganz klares Ja.

Aber ja, wenn es um letztendlich – das ist eigentlich seit über zehn Jahren, wenn nicht noch länger – wir wissen, die Probanden haben zwei Alternativen: Entweder denke ich dieses oder jenes.

Und ich mache dann erstmal zwei, drei Training Sessions, wo ich Daten hebe, oder der Algorithmus dann drauf trainieren kann.

Dann mache ich eine neue Session.

Dann kann ich mehr oder weniger in Echtzeit sehen, der hat dieses oder jenes gedacht.

Jetzt kommen aber die beiden ganz großen, ganz, ganz großen Begrenzer her.

Das eine ist, das funktioniert nur, wenn wir einen engen Suchraum haben.

Wenn Sie zwei, drei, vier verschiedene Alternativen haben, Null Chance, ihre freien Gedanken zu dekodieren, weil da einfach der Suchraum, den ja auch so ein Algorithmus abdecken müsste, ja schon fast unendlich groß ist.

Überhaupt keine Chance.

Da müssen Sie Jahre an Trainingsdaten von einer Person haben.

Zweiter großer Begrenzer: Wir können nur sehr, sehr schlecht Modelle, die auf einer Person trainiert wurden, auf eine andere anwenden, um ohne ausgiebige Training Session mit ihnen nachher dann ihre Gedanken zu dekodieren.

Ihnen einfach so beim Denken zuzuschauen, ist Science Fiction und wird es erstmal auch bleiben, denke ich mal.

Und wie ist der Stand Ihrer Forschung?

Sie haben das Beispiel genannt: Jemand hatte eine Depression und möchte wissen, wie wahrscheinlich ist es, dass die zurückkehrt.

Wie weit sind Sie da schon?

Also, ist das schon möglich?

Können Menschen zum Arzt gehen?

Nein, es ist also, wo stehen wir?

Mit „wir“ meine ich jetzt nicht uns, sondern das ganze Feld.

Wir haben jetzt seit mindestens zehn Jahren wirklich sehr viele optimistisch stimmende Ergebnisse gesehen, im Sinne von: Ja, wir können mentale Fähigkeiten, Erkrankungen, Erkrankungsrisiken anhand der Neurobiologie vorhersagen.

Dann kommt das große Aber.

Die Vorhersagegenauigkeiten sind doch noch deutlich unter dem, was wir für eine praktische Entscheidungsfindung bräuchten.

Ihr möchtet hier ein kleines Sternchen dran machen, unter der Annahme, dass die Entscheidung autonom von der KI gefällt wird.

Das wird aber in der Medizin sowieso nicht passieren.

Sondern wo es hingehen wird, ist, dass der Arzt neben dem Laborbefund und der klinischen Untersuchung und der Elektrophysiologie dann irgendwann auch noch mal einen entsprechenden KI-Report kriegt, der sagt: Hier gibt es eine sehr hohe Chance, dass in der Zukunft kognitive Schwierigkeiten auftreten.

Momentan sieht das sehr gut aus, was die affektive Regulation angeht, Rückfallrisiko und so weiter.

Aber das wird immer nur ein Baustein sein von der Entscheidungsfindung des Arztes.

Also so gesehen, ja, wir müssen noch daran arbeiten, dass die Genauigkeiten höher werden.

Aber wir müssen nicht auf 99 irgendwas Prozent kommen, weil eine autonome KI im medizinischen Bereich kann ich mir genauso wenig wie jeder von den Hörern hier vorstellen.

Also das wird auf weit absehbare Zeit nicht passieren.

Wo es eigentlich noch die zweite große Baustelle ist, ist die Robustheit.

Da kommen wir genau auf die Probleme zurück, die wir gerade besprochen haben.

Wie gut funktioniert es an anderen Standorten?

Wie sicher funktioniert es bei Subpopulationen?

Wie stark haben lebensgeschichtliche Ereignisse einen Einfluss auf das Ergebnis, die sie eigentlich gar nicht haben durften?

etc.

Heißt also, wir müssen noch besser werden, was die absolute Leistung angeht.

Vor allem aber ist doch noch ein gewisser Weg vor uns, dass wir die Robustheit so sehr hochdrehen, dass Arzt und Patient sich auch darauf dann verlassen können.

Ja, Sie weisen in Interviews zum Beispiel auch immer wieder darauf hin, dass die KI-Fortschritte in der Medizin ja auch jede Menge ethische und rechtliche Probleme aufwerfen.

Viele Menschen machen so diese ganzen neuen Möglichkeiten mit KI ja auch richtig Sorge.

Da vielleicht auch mal die Frage: Liegen Sie denn auch manchmal nachts wach, weil Ihnen diese ganzen Umbrüche irgendwie Sorgen machen?

Nachts wach liege ich deswegen nicht.

Ich denke, das liegt auch vor allem daran, was ich gerade gesagt habe: Noch sind wir sicherlich von einer robusten, zuverlässigen praktischen Anwendung weit genug entfernt.

Wird es trotzdem schon angewandt und angewandt werden, auch wenn es eigentlich keinen Sinn macht?

Natürlich.

Aber wird es auf kurze Sicht in den nächsten Jahren schon zu einem realen Problem?

Würde ich sagen: Nein.

Trotzdem muss man natürlich die Folgen mitdenken.

Was heißt es, wenn wir jetzt mentale Fähigkeiten, kognitive Leistung, Persönlichkeitsaspekte objektiv und zuverlässig messen können, ohne dass jemand mitwirken muss?

Ich denke, das bietet sehr viele Chancen.

Denkt man zum Beispiel an etwas wie Assessment Center, an Gerichtsgutachten, etc.

Da muss man ja fairerweise sagen, da ist die Objektivität oft schwierig.

Es hängt vom Beurteiler ab und es hängt von der Mitwirkung des Beurteilten ab.

Natürlich gibt es da aus meiner Sicht auch Dinge, die auf objektive, zuverlässige Maße gehen können.

Kann das dann mit sich bringen, dass auch Sachen entsprechend über sie herausgefunden werden, die sie eigentlich lieber verstecken würden?

Das sind natürlich Fragen, die einen schwierigen ethischen Diskurs aufwerfen.

Also man muss ganz klar sagen: Die Technik entwickelt sich.

Sie kommt.

Sie kommt unabhängig davon, ob wir in Jülich daran arbeiten oder nicht.

Und ich halte es auch für ganz wichtig, dass wir die Expertise an der Frontlinie der Entwicklung haben, um auch den gesellschaftlichen und ethischen Diskurs mit zu prägen.

Wir sehen das in vielen Themen, dass es schwierig ist, einen gesellschaftlichen, einen ethischen, einen rechtlichen Diskurs zu führen, ohne wirklich die Erkenntnisse aus dem Maschinenraum zu haben.

Was geht, wie gut oder nicht?

Wo sind die Grenzen?

Wo sind die Probleme?

Die sieht man ja so in der Regel, wenn man nicht selber in dem Thema tief drin ist, nicht so gut.

Vielleicht noch ganz zum Abschluss: Können Sie da etwas sagen, wo wir zum Beispiel Ihre Forschung in den nächsten Jahren im Alltag antreffen werden oder wo Sie in der nächsten Zukunft mit den größten Umwälzungen im Bereich KI und Medizin rechnen?

Es wird in vielen Bereichen vieles passieren.

Was sind so die großen Themen, die sich jetzt schon ganz klar abzeichnen?

Das ist zum einen alles, was im weiteren Sinne mit Bildanalyse zu tun hat.

Da sind es viele Verfahren, die ähnlich sind wie die, was wir machen, die relativ anwendungsnah sind.

Das betrifft dann natürlich vor allem Pathologie, Radiologie, also überall da, wo Bilder angeguckt werden.

Das ist ein bisschen salopp.

Ich glaube, in diesem Disziplin wird KI als Unterstützungstool in den nächsten fünf plus Jahren seinen Stellenwert finden.

Wie lange es dauern wird, bis sich das realisiert, was ich gerade so angedeutet habe: Irgendwo kriegt dann der Neurologe, der Psychiater, der Hausarzt noch so diesen KI-Befund daneben und sagt: Basierend auf der Datenauswertung, guck mal hier drauf, alles grün, brauchst keine Sorgen machen, hier gibt es Probleme.

Ich denke, das wird noch einen Ticken länger dauern.

Was ganz spannend wird, eine weitere Entwicklung, die wir auch in Jülich sehr intensiv verfolgen, die, glaube ich, da auch sehr wichtig reinspielen wird, ist die Nutzung von Mobile Health-Daten.

Also letztendlich Daten, die ich mit Wearables, Smartphones erheben kann.

Warum?

Weil die im Vergleich zur Bildgebung einfach viel besser skalieren.

Bildgebung ist immer eine Stunde MRT, das kostet eine Menge.

Daten, die Sie mit dem Smartphone, mit der Smartwatch, mit dem Wearable rund um die Uhr mehr oder weniger for free erheben können.

Sie haben dann sehr, sehr, sehr viele von den Daten.

Und da wird es natürlich spannend zu schauen, inwieweit KI-Modelle auf solchen Daten letztendlich ähnlich gut funktionieren können wie auf dem MRT.

Ähnlich gut, aber viel breiter ansetzbar.

Weil es eigentlich quasi für jeden Patienten dauerhaft möglich wäre.

Und ja, auch diese Richtung verfolgen wir natürlich in Jülich sehr intensiv.

Gucken wir mal, wo wir in den nächsten Jahren hinkommen.

Aber ich glaube, irgendwo wird es auf eine Kombination rauslaufen: Bei Erstdiagnose, Erstvorstellung das MRT so als neurobiologische Baseline.

Und dann eben im langen Zeitverlauf dann die mobilen Daten.

Das Ganze analysiert mit KI- Algorithmen made in Jülich.

Ich glaube, da hat die Medizin sehr viel Positives zu erwarten.

Künstliche Intelligenz eröffnet der Hirnforschung und Medizin große Chancen.

Sie hilft, die Vielfalt menschlicher Gehirne sichtbar zu machen.

Und sie kann heute bereits Muster in den Daten aus Hirnscans erkennen, die Rückschlüsse auf mentale Fähigkeiten, die Persönlichkeit oder Erkrankungsrisiken zulassen.

Die Verfahren dahinter sind allerdings komplex.

Um den KI-Algorithmus zu trainieren, bedarf es riesiger, diverser Datensätze.

Und auch mögliche Verzerrungen, ethische Fragen und gesellschaftliche Folgen müssen mitgedacht werden.

Noch ist der klinische Einsatz eine Zukunftsvision.

Doch als zusätzliches Werkzeug könnte künstliche Intelligenz ÄrztInnen künftig helfen, Risiken besser einzuschätzen und Therapien individueller zu gestalten.

Und mit diesen hoffnungsvollen Aussichten beenden wir das dieswöchige Forschungsquartett.

Vielen Dank unserem Experten der Folge, Neurowissenschaftler Professor Simon Eickhoff.

Und vielen Dank meinem Kollegen Johannes Schmid, der Recherche und Skript übernommen hat.

Zu guter Letzt natürlich auch euch da draußen: Vielen Dank fürs Zuhören.

Mein Name ist Caroline Breitschädel.

Macht's gut und bleibt neugierig.

Das Forschungsquartett – Wissenschaft bei detektor.fm, in Kooperation mit dem Forschungszentrum Jülich.