#7 KI im Blut

Hongco 3.0 zur Zukunft der Krebsmedizin, Ideen, Trends und Perspektiven durch Digitalisierung, Friedrich Overkamp, im Gespräch dazu. Hallo meine Damen und Herren, herzlich willkommen zu einem weiteren Podcast von Hongco 3.0. Wir haben heute mal wieder ein Thema aus dem Riesentopf, der künstlichen Intelligenz angebote. Krankheiten früher erkennen, Menschen gezielter, behandeln, kosten senken. Das sind ja vielleicht so die drei wichtigsten Vorderungen und die drei wichtigsten Hoffnungen, die wir alle haben und mit künstlicher Intelligenz verbinden. Nach allem was ich so wahrnehme, bietet tatsächlich künstliche Intelligenz im Gesundheitssektor bezüglich aller dieser drei Aspekte, sehr spannende Chancen für echte Mehrwerten. Über Chat GPT haben wir schon ein Podcast gemacht in dieser Staffel, auch spannend dieser Sprachbott, der letztendlich ja auch auf dem KI-Programm basiert. Und heute würde ich mich gerne mal mit einem Kollegen unterhalten, mit einem Heimatologen und Onkologen, der ein KI-Programm mitentwickelt hat und weiterentwickelt speziell zur Leukämie Diagnostik. Und ich bin verbunden und freue mich sehr mit einem Kollegen Jan Niklas Eckhardt, vom Universitätsklinikum in Dresden. Hallo Eckhardt, küsse ich. Hallo Herr Oberkamp, freut mich sehr, dass ich heute hier sein darf. Toll, dass Sie meine Einladung angenommen haben. Wenn ich ganz ehrlich sein darf, ich habe es aber eigentlich als bei der Vorbereitung am Wochenende so richtig gemerkt, dass es mir richtig aufgefallen in der Dekade, bevor sie geboren wurden. Ich glaube, Sie sind ja gang 91, also Anfang 30 jetzt, da in der Dekade, davor in den 80er-Jahren war ich genau wie Sie jetzt wissenschaftlicher Mitarbeiter am Uniklinikum in Essen. Und da hat die Studien zu Akutormöologischer Leukämie betreut. Das waren die Studien, die aus Münster koordiniert wurden, unserer Essener Patienten. Die habe ich dokumentiert und betreut. Und in der Zeit war Hematologie noch vergleichsweise simpel. Wir haben versucht, Chemotherapiebausteine aufeinanderzusetzen. Große kleine, niedrigdusierte, hochdusierte Therapien, verschiedene Zykluslängen. Und so ging es sozusagen immer ein Schritt weiter, hin zu einer immer besser werdenden Chemotherapie. Inzwischen sind neue Substanzklassend dazu gekommen. Therapie ist insgesamt wesentlich anspruchsvoller und besser geworden. Aber Sie gehen heute einen Weg, der für uns damals schlichtweg noch Science Fiction war. Sie implementieren künstliche Intelligenz in die Diagnostik. Und die Behörung und die Behörung wir haben. Ein paar Mal glaube ich schon erwähnt, künstliche Intelligenz ist immer da gut. Wo ich sage mal lernende Computerprogramme Bilder benutzen können. In der Radiologie, wo einen Computer-Tomographie, Bilder und so weiter benutzt werden können. Manografie-Bilder, in der Brustdiagnostik z.B. und eben auch in der Pathologie. Und ein spezieller Bereich, der Pathologie ist die Hematopathologie. Denn wir kommen ja bei so Krankheiten wie Leukemi, wenn das Blut von böseartigen Zellen überschwemmt wird. Sehr schnell an Bilder heran. Wir nehmen Blut ab, machen Blut ausstrichen. Und wir punktieren das Knochenmark an Brustbein oder Beckenkamm. Entnehmen Knochenmark Blut, Knochenmark Flüssigkeit. Da sind viele, viele Zellen drin. Wir streichen das aus auf ihr Objekt trägern. Und dann gucken wir uns unter Mikroskop die Bilder an. So war das bisher. Und neuer Dings kann man KI-Programme sozusagen diese Bilder angucken lassen. Und dann lernen die was daraus eröckert. Hab ich das einigermaßen richtig beschrieben. Das ist perfekt zusammengefasst, genau. Also das Problem an der Geschichte haben sie ja eigentlich gerade auch schon sehr schön eingeführt. Ist die tatsache, wir Menschen müssen uns das immer subjektiv angucken. Das heißt, jeder einzelne Beobachter oder Beobachterin geht natürlich mit einer gewissen Erwartungshaltung heran und guckt sich eben unter dem Mikroskop verschiedene Zellen an. Es hängt, haben wir so die Erfahrung gemacht. Und da gibt es auch eine Menge Studien zu immer sehr von den jeweiligen Beobachter oder der Beobachterin ab. Was dann letzten Endes für eine Zellklasse eben vergeben wird. Und wenn man sich mal anschaut im Vergleich zwischen mehreren verschiedenen Beobachtern kann das auch sein. Das häufig zum Beispiel bei verschiedenen Zellklassen oder bei Zeichen von Displasien. Also Veränderungen in den Zellen an sich die Beobachter gegenüber anderen überhaupt nicht übereinstimmen. Also das ist eine gewisse Diskrepanz gibt bei der Art der Zelle, die da benannt wird. Oder auch das einzelne Beobachter selbst, wenn man ihnen dieselben Zellen Wochen später nochmal zeigt auch wieder ganz andere Klassen vergeben. Das heißt, wir haben tatsächlich ein großes Problem in der Standardisierung, das häufig einfach mit der menschlichen Wahrnehmung zusammenhängt. Und das haben Sie ja gerade auch schon eingeführt. Bilder sind eben perfektes Futter für künstliche Intelligenzen. Dadurch, dass in Bildern enorm viele Informationen drinstecken, die wir Menschen zum Teil einfach übersehen. Und da sitzen wir natürlich an, um zu schauen, wie wir an der KI beibringen können oder auch von der KI lernen können. Was in Bildern für Informationen drinsteckt, wie man das für die Diagnostik nutzen kann. Wenn ich die vielen beeindruckenden Publikationen, die Sie schon geschrieben oder mitverfasst haben, mehr Anschaue, sofern ich das alles als ältererhematologe verstehen kann, dann würde ich zwei Hauptschlüsse daraus ziehen. Erstens künstliche Intelligenz ist in der Lage sowas wie die Rückbildung der Leute, die Rämpfe sprechen, man kann von Remisionen, wenn so eine Leute wie sich zurückbilden, vor ihr zu sagen. Und das zweite ist, dass die künstliche Intelligenz aus diesen vielen Bildern von den Knochermark ausstrichen. Nicht nur in der Lage ist, zu sagen, ja, Woll, das ist eine Leukämie und das ist diese oder jene spezielle Untergruppe einer akuten Beleuschenleukämie, sondern die KI kann sogar, ich sag mal, hochrechnen auf bestimmte molekulare Veränderungen in den Zellen. Was gibt es z.B. für genetische Veränderungen, Mutationen? Das finde ich ganz besonders spannend dafür, ist das menschliche Auge, doch überhaupt nicht in der Lage sowas zu sehen, oder? Genau, also uns geht es im Prinzip bei dem entwickeln von solchen Systemen um zwei Sachen. Das erste, was wir gerne möchten, ist, wir wollen natürlich rotierarbeitsabläufe besser machen, sicherer machen, schneller machen, standardisieren und möglichst natürlich auch Akkurator darstellen. Das heißt, Systeme, die wir entwickeln, sind mittlerweile mit einer Geschwindigkeit von unter einer Minute bei der Diagnose. Also man kann einen Knochermark ausstrich unter das Mikroskop legen und das, was normalerweise Stunden bis Tage dauert, bis man wirklich im mühsamer Handarbeit die einzelnen Zellen ausgezählt und bearbeitet hat, dann von den Zellen an sich zu einer Diagnose kommt, das vergleichen mit anderen, mit anderen diagnostischen Modernitäten, das dauert bei uns im Moment im Schnitt 46 Sekunden, bis man dann Vorschlag hat. Das ist das eine, aber es geht natürlich nicht nur darum, dass wir diagnostisch in dem Sinne besser werden, dass wir verschiedene, ich sag mal, Modernitäten abnehmen können, also die Zyto morphologie zu digitalisieren, ist sicherlich eine sehr wichtige und vorrangige Tätigkeit, die wir im Moment annehmen. Und der anderen Seite geht es auch darum, dass wir als Ärzte besser werden, indem wir in so einer Art Pink-Pong-Spielen mit dem Algorithmus neue Sachen über diese Erkrankungen lernen. Und das, was Sie gerade angesprochen haben, vor allen Dingen, dass Vorhersagen, ob ein Patient eine Remission bekommt, also auf eine Therapie gut anspricht oder nicht. Das ist natürlich auch Gegenstand der Forschung schon in den letzten Jahrzehnten gewesen und da Faktoren zu identifizieren, die uns Vorhersagen können, ob ein Patient überhaupt mutmaßlich auf meine Therapie, die ich in die möchte, ansprechen kann. Das ist natürlich enorm wichtig, weil das im Sinne der Präzisionsökologie uns darüber informiert, welche Therapie sollte ein Patient eigentlich bekommen und welche Chance hat er mit welcher Therapie? Ein anderes Thema, was ich auch ganz spannend fand, war eine Sonderform der akuten Leukämie, die sogenannte Akute promulozitere Leukämie. Ist liebe Höhre und Höhre nicht fortschalten, damit heute wird es jetzt genau erklären, was das für eine Leukämie ist. Aber so viel sei gesagt, diese spezielle Form, diese Akute promulozitere Leukämie oder APL ist ein hematologischer Notfall. Da kann ganz viel schlimmes sehr schnell passieren. Und insofern ist es wichtig, dass die Patientinnen und Patienten die bestmögliche Therapie so schnell wie möglich bekommen. Aber nicht in jedem Labor irgendwo in der Peripherie ist die komplette Diagnostik verfügbar. Jetzt habe ich gelesen, ich hoffe, dass das bestätigen, dass das richtig verstanden habe, dass ein KI-Programm in der Lage ist, aus Knochenmark ausstrichen, diese nicht ganz leichte Diagnose sozusagen ad hoc zu stellen. Und da könnte jetzt, also sagen wir mal irgendwo, in einem Vorort eines Peripheren Krankenhauses, trotzdem wenn so ein KI-Programm benutzt würde, die Diagnose ruckzuck in Sekunden gestellt werden und dann der Patient sofort die richtige Therapie-Einrichtung weitergeleitet werden. Stimmt das so? Genau, das ist sehr gut ausgedrückt. Das ist im Prinzip auch das Ziel, was wir mit dem Projekt haben. Das Problem bei der APL, wie Sie ja gerade schon eingeführt haben, ist, dass einfach sehr schnell Therapie zum Patienten kommen muss. Und das heißt, hier geht es wirklich umstunden könnte man sagen, die schneller wir die Therapie einleiten können, teilweise schon beim Verdachtungen auf die Diagnose. Und so besser sind die Chancen für den Patienten, da das eine Erkrankung ist, wo wir das traut man sich als Hemmatoronkologe fast gar nicht zu sagen, schon von einer hohen Heilungsrate sprechen können, wenn die richtige Therapie gegeben sind. Und das andere ist natürlich, die APL ist eine Erkrankung, die extrem selten ist. Das heißt, auf einer technischen Ebene steht man bei Grundsätzlich jedem Problem, was mit neuronalen Netzen und mit Deep Learning zu tun hat, immer vor der Problematik, dass man sehr, sehr viele Daten braucht. Bei dem Projekt war es dann die Möglichkeit, die wir gesehen hatten, trotz dieser wenigen Daten, die wir hatten, zusätzlich noch Expertenwissen in das Modell mit einfließen zu lassen. Also, dass man dem Modell wirklich anhand von, mal guckt auf das Bild drauf und zeigt, welche Zellen sind wichtig. Es gibt bestimmte Unterarten, bei dieser Erkrankung von Zellen, die sind sehr eindrücklich und sehr spezifisch für die Diagnose. Und da konnten wir die Modell tatsächlich wirklich so durch über die Schulterschauen beibringen, was es sich angucken muss und was wichtig ist. Wahnsinn, ja. Sie selbst sind, ich habe es vorhin schon gesagt, eben auch Hemmatoronkologe sind erfahrener Kliniker mittlerweile auch und sie sind hochbrezender Wissenschaftler, das darf ich so sagen, nachdem ich ihre Publikationen gelesen habe. Sie arbeiten in internationalen multidisziplinären Teams. Wie ist die Akzeptanz, wenn ich das zwischendurch mal Fragen darf von solchen KI-Programm? Stossen Sie da noch auf Widerstände, auf Unverständnis und auf Kopfschüttel oder? Das ist eine ganz schöne Frage. Es ist ein Prinzipenspektrum, habe ich in den letzten Jahren festgestellt. Also es gibt so, ich würde mal sagen, drei Lager an das erste Lager, das sind so, die Leute, die der Meinung sind, KI funktioniert jetzt ja super für ganz viele Anwälungsfälle. Chat GPT ist ein ziemliches Heipthema im Moment gewesen. Man kann ja wahrscheinlich einfach Daten in einen Modell hineinwerfen und am Ende kommt das heraus, was ich mir wünsche. Also so ein bisschen das Wunderlandenprinzip. Den Zahn muss man häufig leider relativ schnell ziehen, weil es ist dann doch immer sehr viel technischer Arbeit. Es ist sehr viel Arbeit auch mit den Daten an sich. Das heißt, je besser die Datenqualität ist, vor allem die größere, die Daten setze sind umso besser, wird auch letzten Endes immer das Modell, was bei rauskommt. Dann auf der anderen Seite gibt es die Skeptiker, würde ich mal so ausdrücken, das ist eher so, nach dem Motto, wir haben das ja die letzten 30, 40, 50 Jahre auch anders hingekriegt. Wofür brauchen wir jetzt einen Computer, der durch das Meetbus guckt, durchguckt, ich kann das besser selber, das gibt es natürlich auch. Unterzwischen, und das ist eine Gruppe, die in den letzten Zeit finde ich immer mehr wird, sind so die Realisten. Also Leute, die verstehen, wie diese Systeme funktionieren und was man erwarten und auch was man nicht erwarten kann. Wir haben vorhin schon herausgearbeitet, oder sie besonders herausgearbeitet, das dieses KI-Programm oder Machine Learning, wie man es ja auch nennt, in der Lage ist, molekulare Veränderungen in einem Knochenmarkt ausstrich, genau so gut und sicher zu erkennen. Wie ich sag mal, das reine Bild, was wir selber unter dem Mikroskop mit unseren Augen erkennen können. Wenn ich ihre Publikationen richtig verstanden habe, geht die Forschung noch ein Stück weit darüber hinaus. Ich meine, verstanden zu haben, dass das KI-Programm sozusagen molekulare Mechanismen erkennt, die bisher noch gar nicht auf dem Radar von ihnen als Forschern waren. Und das sozusagen da auch neue Forschungstüren sich öffnen, weil das KI-Programm sagt, guck mal, da ist noch eine Mutation oder da ist irgendein Signalweg oder wie auch immer innerhalb einer Zelle, wo dann auch noch weiter drang geforscht werden muss. Es fand ich auch einen unglaublich spannenden Gedanken. Genau, das ist, das ist richtig so, das ist in Prinzip das, was ich vorhin meinte, mit wir wollen nicht nur Routine diagnostik besser machen, sondern wir wollen auch mit den Modellen zusammen lernen. Und es scheint, wie gesagt, in Bildern Informationen drinzustecken, die wir bisher so übersehen haben oder einfach auch nicht wussten, wo wir hinkucken mussten. Und das ist etwas, wo uns diese Modelle bei helfen können, was wir immer versuchen, mit unseren Bilderkennungsalberitmen zu machen, ist so genannt, das "Explainable Deep Learning", also erklär und interpretierbare Ausgaben, die diese Netze dann machen. Und das heißt, man kann im Prinzip sich einfach anzeigen lassen, wo schaut das Netz auf den Bild denn hin, was ist für das Netz wichtig, um etwas vorher zu sagen. Und wenn es um molekulare Veränderungen geht, dann können wir natürlich vorher sagen, ist eine molekulare Veränderung in einem Bild drin oder nicht. Insofern ist eine morphologische, eine strukturelle Veränderung anzellen gibt. Und wenn das Netz das sieht, können wir uns das zeigen lassen. Und in dem Fall, den Sie angesprochen haben, da ging es ganz konkret um eine Veränderung, wo es biologisch auch einen Sinn ergibt, dass Sie sich eben so darstellt, also ein Protein, was den Zellnucleonus aufbaut. Und wenn es verändert wird, dann verschwindet es eben aus dem Nucleonus und verschwindet in ein anderes Zellkompatiment. Und das hat das Neuronale Netz gesehen und das macht für uns molekulat biologisch nachvollziehbar Sinn. Wahnsinnig spannend. Nehmen Sie uns vor allen Dingen auch unsere Hörerinnen und Hörer und mich noch einmal mit, wie das technisch funktioniert. Also wir kennen alle die Situation, nicht alle, aber jeder weiß im Prinzip, wie das abläuft, Patient ist in einer Klinik, Leute nie verdacht, man nimmt Knochenmark irgendwo an einer geeigneten Stelle. Und normalerweise liegt man das dann im Labor oder beim Pathologen und das mit Großkop und die meisten Hermathologen gucken auch selber rein und dann wird eine Diagnose gestellt. Was machen Sie oder Ihr Team jetzt mit diesen vielen Knochenmark ausstrichen, also mit diesen Objekträgern oder mit Blut ausstrichen? Wie lernt denn das KI-Programm daran? Das muss ja irgendwie erstmal an das Material kommen, wie läuft das? Genau, genau. Also was wir machen ist, wir scannen mittlerweile mit einem Slice-Gener einfach diese gesamten Knochenmark Slice ein. Und das Ziel im Prinzip von unserer ganzen Pipeline, das jetzt mal, ist, dass wir einfach nur noch das Knochenmark-Preparat einsgennen müssen und dann eine Analyse starten und dann Ende kommt im Idealfall schon ein Diagnosevorschlag und eine klassifizierung der einzelnen Zellen und der besonderen Merkmale heraus. Vielleicht auch, wenn es gefunden wurde, ein Art digitalen Biomarker, wie zum Beispiel die gerade erwähnten molekular biologischen Veränderungen. Ganz praktisch funktioniert das so, dass man natürlich erstmal, wie eben schon gesagt, sehr viele Daten generieren muss. Wir haben wirklich aus den letzten über 20 Jahren alles, was wir an Knochenmark-Proben aus verschiedenen klinischen Studien hatten, eingeskennt und darauf eben dieser Netze trainiert, weil die einfach sehr viele Daten sehen müssen. Das ist im Unterschied, wenn jetzt ein Student oder eine Studentin lernen möchte, wie etwas unter dem Mikroskop aussieht, dann ist es ja häufig so, dass man vielleicht drei, vier, fünf Preparate gezeigt bekommt. Und dann versteht man ein gewisses, ja, zusammen mit seinem biologischen Wissen, mit seinem medizinischen Vorwissen, versteht man vielleicht die Patologie, die dahinter steckt und kann das dann erkennen, wenn man das sechs oder siebte preparatisiert. Weil den hormonalen Netzen ist es nicht so, zumindest in der Art und Weise wie viele davon trainiert werden, weil die fangen immer bei null an. Und so ein neuronales Netz weiß nicht, was ist überhaupt das Konzept Zelle oder was ist überhaupt das Konzept Knochenmark, sondern sieht eigentlich nur verschiedene Farbenmuster, Kanten, Kontrast, Unterschiede. Und davon muss es eben sehr, sehr viele sehen, um aus dieser Masse anpixeln, irgendwie Informationen herausgewinnen zu können. Dazu muss man immer ein sogenanntes Label geben. Das heißt, es muss klar sein, was ist das, was es eigentlich sieht. Das gibt es in verschiedenen Varianten, zumindest in dem Überwachten lernen, was wir in der Zytomophologie im Moment verwenden, machen wir das häufig so, dass wir entweder die Zellen benennen. Das heißt, da muss schon mal jemand davor sitzen und die Zellen, wir sagen Labeln, also klassifizieren, sagen, das ist Zeltüb 1, das ist Zeltüb 2. Und weil wie vorhin gesagt, dass natürlich eine gewisse Schwackungsbreite hat, brauchen wir mehrere Leute, die unabhängig voneinander die Zellen benennen. Wenn wir dann zum Beispiel drei, vier, fünf Hermatologen vor eine Zelle setzen. Und von fünf Meinungen stimmen viel über einen, da sind wir relativ sicher, dass diese Zellart sein wird. Das Gleiche kann man auf der Bildebene oder auf der Ebene vom genetischen Veränderungen machen, indem man aus anderen diagnostischen Quellen einfach Informationen bezieht. Weil es ist natürlich nicht so, dass wir uns nur unter Mikroskop für eine Diagnose einer Leukemie Bilder angucken. Sondern wir gucken uns natürlich auch die Genetik der Erkrankung an Laborwerte, die klinische Eindruck vom Patienten an sich. Und das läuft dann in so ein sozusagen schwaches Label, obwohl es eigentlich natürlich relativ stark ist, weil es viel Informationen zusammenfasst. Aber das schwache Label bedeutet im Prinzip nur, dass wir nicht auf einer Zellbene vorher sagen, das ist jetzt eine böse oder eine gesunde Zelle. Sondern wir sagen auf der Bildebene vorher, dass es jetzt ein Bild, wo böse Zellen drauf sind, hier ist Leute nie drin. Und dadurch kann das Netz dann eben auch lernen, ohne dass man in die einzelnen Zelle reingehen müsste. Wahnsinnig spannend. Sie haben eine schöne Website, die nennt sich AI-Encancers.org. Wir verlinken die auch in den Schonehutz zu diesem Podcast. Wo wollen Sie hinheckert? Wo wollen Sie in zehn Jahren sein, mit der KI-Forschung? Wird oder noch dazu gefragt, wird die akute Leukemie wieder mal ein Modelltumor? Das war sich schon so oft. Wir haben eine ganze Reihe, ich sag mal, von Therapieprinzipien. Anhand der Leukemie mit entwickeln dürfen. Chemoterapie, Hochdusiert, Transplantation, Therapiepausen, Rezidieftherapien und so weiter. Wird das wieder so ein Modelltumor sein, die akute Leukemie jetzt auch im Hinblick auf digitale Fortschritte? Wir hoffen, dass sehr, dass das wieder ein Modelltumor sein wird. Also wir arbeiten im Moment basierend auf unseren sehr guten Studiendaten mit der akute Milulurschen Leukemie und rollen aber natürlich auch so auf andere Erkrankungen über. Die technischen Möglichkeiten sind ja identisch. Das heißt, ob man sich jetzt mit einer akuten Leukemie oder mit Lymphomen auseinander setzt, bleibt auf einer technischen Ebene sehr, sehr ähnlich. Man muss gewisse Besonderheiten der jeweiligen Erkrankungen beachten. Und bei Lymphomen zum Beispiel kommen ja auch einmal ganz andere bildgebende Verfahren mit dazu. Aber im Idealfall ist es natürlich genau wie sie sagen. Also dass wir jetzt gewisse Sachen in der akuten Leukemie lernen können, die wir dann möglichst niederschwellig auch bei anderen bösartigen Erkrankungen anwenden. Und da geht es um die Vorhersage von Therapieansprechen. Da geht es um die Erkennung erst mal von den Erkrankungen vielleicht auch von gewissen bisher noch nicht bekannten Untertypen, molecularen Veränderungen, die wir so strukturell sehen können. Und eben auch um Präzisionsankologie. Das ist uns auch sehr wichtig, weil man lernt ja im Moment immer mehr und mehr, dass die Dachbegriffe für gewisse Erkrankungen, Leukemie, Lymphomen ähnliche. Eigentlich so eine Art Mantel sind für eine Menge sehr verschiedene Entitäten, die darunter stecken, die doch eher genetisch definiert sind. Und da vielleicht ein bisschen mit Aufräumen mit erkennen zu können, das sollte schon das Ziel sein von der KI, die sich mit Diagnostik auseinander setzt. Ich bin sehr gespannt, möglicherweise wird man in einigen Jahren, vielleicht da war es auch eine Dekade, wie auch immer, alleine aus Blut, aus Schleimhaut-Proben, aus Darm-Schleimhaut-Proben-Markenschleimhaut-Biobsien, letztendlich auch mit Hilfe von Machine Learning, nicht nur sehr schnell, sondern sehr viel präziserer Diagnosen bekommen. Vielleicht ist es irgendwann sogar egal, aus welchem Organ ein Tumor eigentlich gekommen ist, wir müssen eigentlich wissen, wie sehen die Zellen aus, wie sind die Molekula gestrickt, was haben die Firmutationen? Und dann sagt einem, dass KI-Programm wahrscheinlich irgendwann auch welche Therapie wir machen müssen, oder? Das wäre natürlich eine hervorragende Sache, wobei das müssen, würde ich ein bisschen ein Frage stellen, es geht uns immer darum, dass wir Entscheidungsunterstützungssysteme bauen wollen. Und es ist natürlich ganz wichtig, dass man nicht die Kompetenz aus der erzlichen Hand abgibt, gerade bei den Modellen, die ja noch im Moment sehr in den Kinderschuhen stecken. Ich denke, da sind wir wirklich noch weit davon entfernt, bis man da einen Punkt kommen kann, wo ein KI-Modell das selber übernimmt. Das hat natürlich ethisch ganz besondere Implikationen, aber dass wir den Arzt oder die Arzt den Unterstützung wollen und besser machen wollen. Das ist schon jetzt so. Ja, auf jeden Fall ein super spannendes Gebiet. Ich freue mich sehr, dass Sie uns das jetzt in den letzten 20 Minuten ein bisschen näher gebracht haben. Bin ganz sicher, dass wir viel Feedback bekommen zu diesem Podcast und ganz sicher, wenn wir uns noch mal irgendwann wieder treffen, zu einem Update. Denn bei den hast du schon, da gibt es bestimmt auch sehr schnell wieder viel Neues zu erzählen. So, Herr Eckert, ich danke Ihnen für heute, sehr herzlich für das Gespräch und wir jenen und Ihrem Team, all denen, mit denen Sie zusammenarbeiten. Ganz viel Erfolg bei dieser hochspannenden Thematik. Danke. Die Freude war ganz meinerseits, vielen Dank auch Ihnen. Und, meine Damen und Herren, das war unser heutiger Podcast mit dem Kollegen Jan Niklas Eckert aus Dresden aus der Universitätsmedizin. Und schreiben Sie mir einfach mal, wie Ihnen dieser Podcast gefallen hat. Ich gebe es gerne weiter, dachte Dresden, wenn die Fragen für mich zu kompliziert sein sollten. Vielen Dank fürs Zuhören und bis zum nächsten Mal. Ciao, ciao. Onko3.0 zur Zukunft der Krebsmedizin. Meine Produktion der Onko-Konsalt-Overcamp GmbH Berlin in Zusammenarbeit mit Mario Lorek. Meine Website erreichen Sie unter www.fridrichovercamp.com. [Musik]