nach oben

Der Nervenarzt

Erschienen in:

04.10.2021 | Künstliche Intelligenz | Leitthema

Der vorhersagbare Mensch

Chancen und Risiken der KI-basierten Prädiktion von kognitiven Fähigkeiten, Persönlichkeitsmerkmalen und psychischen Erkrankungen

verfasst von: Prof. Dr. Simon B. Eickhoff, Prof. Dr. Bert Heinrichs

Erschienen in: Der Nervenarzt | Ausgabe 11/2021

Einloggen, um Zugang zu erhalten

Zusammenfassung

Neue Ansätze der Nutzung künstlicher Intelligenz (KI) zur Analyse von Daten aus der Neurobildgebung, aber auch passiv gesammelter Daten von sog. „Wearables“ wie Smartphones oder Smartwatches sowie Daten, die sich aus Social-Media- und anderen Online-Aktivitäten extrahieren lassen, ermöglichen es bereits heute, kognitive Fähigkeiten, Persönlichkeitsmerkmale und psychische Erkrankungen vorherzusagen sowie akute mentale Zustände offenzulegen. In diesem Beitrag erläutern wir die Hintergründe der aktuellen Entwicklung, leuchten ihre Möglichkeiten und Grenzen aus und gehen auf ethische und gesellschaftliche Aspekte ein, die sich aus der Nutzung ergeben.

Barros C, Silva CA, Pinheiro AP (2021) Advanced EEG-based learning approaches to predict schizophrenia: promises and pitfalls. Artif Intell Med 114:102039. https://doi.org/10.1016/j.artmed.2021.102039CrossRefPubMed

Beauchamp TL, Childress JF (2019) Principles of biomedical ethics. Oxford University Press, Oxford

Begley K, Begley C, Smith V (2021) Shared decision-making and maternity care in the deep learning age: acknowledging and overcoming inherited defeaters. J Eval Clin Pract 27:497–503. https://doi.org/10.1111/jep.13515CrossRefPubMed

Bzdok D, Ioannidis JPA (2019) Exploration, inference, and prediction in neuroscience and biomedicine. Trends Neurosci 42:251–262. https://doi.org/10.1016/j.tins.2019.02.001CrossRefPubMed

Chen J, Patil KR, Weis S et al (2020) Neurobiological divergence of the positive and negative schizophrenia subtypes identified on a new factor structure of psychopathology using non-negative factorization: an international machine learning study. Biol Psychiatry 87:282–293. https://doi.org/10.1016/j.biopsych.2019.08.031CrossRefPubMed

Cole JH, Franke K (2017) Predicting age using neuroimaging: innovative brain ageing biomarkers. Trends Neurosci 40:681–690. https://doi.org/10.1016/j.tins.2017.10.001CrossRefPubMed

Dwyer DB, Falkai P, Koutsouleris N (2018) Machine learning approaches for clinical psychology and psychiatry. Annu Rev Clin Psychol 14:91–118. https://doi.org/10.1146/annurev-clinpsy-032816-045037CrossRefPubMed

Eickhoff SB, Langner R (2019) Neuroimaging-based prediction of mental traits: road to utopia or orwell? PLoS Biol 17:e3000497. https://doi.org/10.1371/journal.pbio.3000497CrossRefPubMedPubMedCentral

Esteva A, Kuprel B, Novoa RA et al (2017) Dermatologist-level classification of skin cancer with deep neural networks. Nature 542:115–118. https://doi.org/10.1038/nature21056CrossRefPubMedPubMedCentral

10.

Farah MJ (2002) Emerging ethical issues in neuroscience. Nat Neurosci 5:1123–1129. https://doi.org/10.1038/nn1102-1123CrossRefPubMed

11.

Flint C, Cearns M, Opel N et al (2021) Systematic misestimation of machine learning performance in neuroimaging studies of depression. Neuropsychopharmacology 46:1510–1517. https://doi.org/10.1038/s41386-021-01020-7CrossRefPubMedPubMedCentral

12.

Gabrieli JDE, Ghosh SS, Whitfield-Gabrieli S (2015) Prediction as a humanitarian and pragmatic contribution from human cognitive neuroscience. Neuron 85:11–26. https://doi.org/10.1016/j.neuron.2014.10.047CrossRefPubMedPubMedCentral

13.

Gerke S, Minssen T, Cohen G (2020) Ethical and legal challenges of artificial intelligence-driven healthcare. Artificial intelligence in healthcare. Elsevier, , S 295–336CrossRef

14.

Gordon L, Grantcharov T, Rudzicz F (2019) Explainable artificial intelligence for safe Intraoperative decision support. JAMA Surg 154:1064–1065. https://doi.org/10.1001/jamasurg.2019.2821CrossRefPubMed

15.

Greely HT, Ramos KM, Grady C (2016) Neuroethics in the age of brain projects. Neuron 92:637–641. https://doi.org/10.1016/j.neuron.2016.10.048CrossRefPubMed

16.

Hedderich DM, Eickhoff SB (2021) Machine learning for psychiatry: getting doctors at the black box? Mol Psychiatry 26:23–25. https://doi.org/10.1038/s41380-020-00931-zCrossRefPubMed

17.

Heinrichs B (2021) Discrimination in the age of artificial intelligence. Ai Soc. https://doi.org/10.1007/s00146-021-01192-2CrossRef

18.

Heinrichs B, Eickhoff SB (2020) Your evidence? Machine learning algorithms for medical diagnosis and prediction. Hum Brain Mapp 41:1435–1444. https://doi.org/10.1002/hbm.24886CrossRefPubMed

19.

Kim H, Lee S, Lee S et al (2019) Depression prediction by using ecological momentary assessment, actiwatch data, and machine learning: observational study on older adults living alone. JMIR Mhealth Uhealth 7:e14149. https://doi.org/10.2196/14149CrossRefPubMedPubMedCentral

20.

Matthias A (2004) The responsibility gap: ascribing responsibility for the actions of learning automata. Ethics Inf Technol 6:175–183. https://doi.org/10.1007/s10676-004-3422-1CrossRef

21.

Narla A, Kuprel B, Sarin K et al (2018) Automated classification of skin lesions: from pixels to practice. J Invest Dermatol 138:2108–2110. https://doi.org/10.1016/j.jid.2018.06.175CrossRefPubMed

22.

Nostro AD, Müller VI, Varikuti DP et al (2018) Predicting personality from network-based resting-state functional connectivity. Brain Struct Funct 223:2699–2719. https://doi.org/10.1007/s00429-018-1651-zCrossRefPubMedPubMedCentral

23.

Obermeyer Z, Powers B, Vogeli C, Mullainathan S (2019) Dissecting racial bias in an algorithm used to manage the health of populations. Science 366:447–453. https://doi.org/10.1126/science.aax2342CrossRefPubMed

24.

Poldrack RA, Monahan J, Imrey PB et al (2018) Predicting violent behavior: what can neuroscience add? Trends Cogn Sci 22:111–123. https://doi.org/10.1016/j.tics.2017.11.003CrossRefPubMed

25.

Propping P, Aretz S, Schumacher J et al (2006) Prädiktive genetische Testverfahren. Naturwissenschaftliche, rechtliche und ethische Aspekte. Alber, Freiburg

26.

Rosenberg MD, Scheinost D, Greene AS et al (2020) Functional connectivity predicts changes in attention observed across minutes, days, and months. Proc Natl Acad Sci U S A 117:3797–3807. https://doi.org/10.1073/pnas.1912226117CrossRefPubMedPubMedCentral

27.

Scheinost D, Noble S, Horien C et al (2019) Ten simple rules for predictive modeling of individual differences in neuroimaging. Neuroimage 193:35–45. https://doi.org/10.1016/j.neuroimage.2019.02.057CrossRefPubMed

28.

Tavani HT (2004) Genomic research and data-mining technology: implications for personal privacy and informed consent. Ethics Inf Technol 6:15–28. https://doi.org/10.1023/b:etin.0000036156.77169.31CrossRefPubMed

29.

Varoquaux G (2018) Cross-validation failure: small sample sizes lead to large error bars. Neuroimage 180:68–77. https://doi.org/10.1016/j.neuroimage.2017.06.061CrossRefPubMed

30.

Woo C‑W, Chang LJ, Lindquist MA, Wager TD (2017) Building better biomarkers: brain models in translational neuroimaging. Nat Neurosci 20:365–377. https://doi.org/10.1038/nn.4478CrossRefPubMedPubMedCentral

31.

Wittgenstein L (1984) Tractatus logico-philosophicus / Tagebücher 1914–1916 / Philosophische Untersuchungen. Werkausgabe Bd. 1. Suhrkamp, Frankfurt am Main

Titel: Der vorhersagbare Mensch
Chancen und Risiken der KI-basierten Prädiktion von kognitiven Fähigkeiten, Persönlichkeitsmerkmalen und psychischen Erkrankungen
verfasst von: Prof. Dr. Simon B. Eickhoff
Prof. Dr. Bert Heinrichs
Publikationsdatum: 04.10.2021
Verlag: Springer Medizin
Schlagwörter: Künstliche Intelligenz
Biomarker
Erschienen in: Der Nervenarzt / Ausgabe 11/2021
Print ISSN: 0028-2804
Elektronische ISSN: 1433-0407
DOI: https://doi.org/10.1007/s00115-021-01197-8

Die Highlights vom Kongress des American College of Cardiology 2024

Springer Medizin

Der vorhersagbare Mensch

Chancen und Risiken der KI-basierten Prädiktion von kognitiven Fähigkeiten, Persönlichkeitsmerkmalen und psychischen Erkrankungen

Zusammenfassung

Neu in den Fachgebieten Neurologie und Psychiatrie

„Übersichtlicher Wegweiser“: Lauterbachs umstrittener Klinik-Atlas ist online

Hirnblutung unter DOAK und VKA ähnlich bedrohlich

Was nützt die Kraniektomie bei schwerer tiefer Hirnblutung?

ADHS-Medikation erhöht das kardiovaskuläre Risiko

Die Highlights vom Kongress des American College of Cardiology 2024

Springer Medizin

Zusammenfassung

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Weitere Artikel der Ausgabe 11/2021

Lehrvideos im Fach Psychiatrie und Psychotherapie

Körperverletzung und Sexualdelikte: Neuregelung des § 64 StGB aus psychiatrischer Sicht

Suizidalität bei schizophrenen Psychosen: eine aktuelle Übersicht

E-Mental-Health und digitale Gesundheitsanwendungen in Deutschland

Didaktik digital

DGPPN-Kongress 2021 – Digitale Transformation und psychische Gesundheit

Neu in den Fachgebieten Neurologie und Psychiatrie

„Übersichtlicher Wegweiser“: Lauterbachs umstrittener Klinik-Atlas ist online

Hirnblutung unter DOAK und VKA ähnlich bedrohlich

Was nützt die Kraniektomie bei schwerer tiefer Hirnblutung?

ADHS-Medikation erhöht das kardiovaskuläre Risiko