Interactive Machine Learning for Health Informatics: When do we need the human-in-the-loop?

Maschinelles Lernen (ML) ist der am schnellsten wachsende Bereich in der Informatik und die medizinische Informatik gehört zu den größten Herausforderungen der Zukunft. ML soll Algorithmen entwickeln, die sich im Laufe der Zeit verbessern und für Prognosen genutzt werden können. Die meisten ML Forscher konzentrieren sich auf automatisches Maschinelles Lernen (aML), wo große Fortschritte geleistet wurden: beispielsweise in der Spracherkennung, Empfehlungsdienstsysteme oder bei autonomen Fahrzeugen (Stichwort: „Google car“). Solche vollautomatischen Ansätze profitieren sehr stark von großen Datenmengen (Stichwort: „Big Data“) mit vielen Trainingsdaten. Im Gesundheitswesen werden wir jedoch oft mit einer kleinen Anzahl von Daten konfrontiert oder mit seltenen Ereignissen, wo aML-Ansätze nur unzureichende Ergebnisse liefern. Hier kann interaktives Maschinelles Lernen (iML) Hilfestellung bieten, d.h. nicht auf menschliches Domänenwissen zu verzichten, sondern vielmehr menschliche Intelligenz und ML zu kombinieren. Solche Ansätze haben ihre Wurzeln im Verstärkungslernen, Präferenzlernen und im so genannten Aktiven Lernen. Interaktives Maschinelles Lernen (iML) ist ein relativ neuer Ansatz und noch kein sehr geläufiger Begriff. Es handelt sich dabei um Algorithmen, die mit – teils menschlichen – Agenten interagieren und durch diese Interaktion ihr Lernverhalten optimieren können. Ein solcher „Human-in-the-Loop“ Ansatz kann vorteilhaft sein bei der Lösung schwerer Probleme, wie beispielsweise im Subspace Clustering, bei der Faltung von Proteinen oder bei der k-Anonymisierung von Gesundheitsdaten, wo menschliches Wissen helfen kann, einen exponentiellen Suchraum durch heuristische Auswahl der Daten drastisch zu reduzieren. Solche menschliche Agenten können daher in der Lernphase helfen die Komplexität zu reduzieren und daher Probleme lösen die andernfalls NP-schwer wären.