Was Generative Adversarial Networks (GANs) sind, haben wir in einem früheren Blog-Beitrag erläutert. An dieser Stelle wollen wir tiefer auf das Konzept eingehen.
Neuronale Netze
In GANs sind Generator und Discriminator neuronale Netze, sie versuchen also die Struktur des menschlichen Gehirns zu emulieren. Gängige Praxis ist es, sie mit falschen und wünschenswerten Zielergebnisse zu trainieren. Das ginge theoretisch mit allen Daten, aktuell arbeitet die Branche vor allem mit Bildern.
Die Qualitätsschwelle, die überschritten werden soll, wird mathematisch festgelegt und gewichtet. Letztlich entscheiden Wahrscheinlichkeiten, ob ein Resultat vom Discriminator akzeptiert wird oder nicht.
Aufwendiges Training
Das Training dieser neuronalen Netze ist aufwendig und bedarf vieler Durchgänge und einer leistungsfähige IT-Infrastruktur. Zum Teil sind die Trainings semi-supervised, wie in der Fachsprache heißt. Die Netze werden also auch mit vorhandenen wahren oder falschen Daten trainiert.
GAN-Anwendungen sind anfänglich vielleicht nur ein Proof of Concept, haben aber großes Potential und sind vielfältig. Bekannt sind zum Beispiel künstlich erschaffene Gesichter von Menschen, die gar nicht existieren. Oder Deep Fakes. Das sind zum Beispiel manipulierte Videos bekannter Persönlichkeiten, denen fiktive Aussagen in den Mund gelegt werden oder die künstlich generierte Bewegungen ausführen. Eine anderer, viel nützlicherer Anwendungsfall sind Vermisstenfotos, auf denen die gesuchte Person künstlich gealtert wird. Oder man unterscheidet Bilder mit niedriger Auflösung von Bildern mit hoher Auflösung, erschafft fiktive Schriften und vieles mehr.
Keine Spielerei
Ist das jetzt alles nur ein amüsanter Zeitvertreib ohne großen Nutzen? Mitnichten! Eine ganz heiße Anwendung für GANs sind seltene Krankheiten bzw. Diagnosen. Bei gängigen Krankheiten stehen viele medizinische Aufnahmen von betroffenen Organen zur Verfügung. Gleichzeitig gibt es viele Aufnahmen der gleichen Organe von gesunden Menschen. Maschinen lassen sich in diesem Fall gut trainieren, um kranke von gesunden Organen unterscheiden zu können.
Wie aber sieht es mit seltenen oder bislang unbekannten Krankheiten aus? Es wird ganz wenige Bilder von kranken Organen geben.
Realistische Bilder künstlich erstellen
Genau hier können GAN einen wichtigen Beitrag leisten. Sie generieren künstlich Bilder befallener Organe und diese Bilder entsprechen dann mit hoher Wahrscheinlichkeit real möglichen Zuständen. Ein spannendes Gebiet, auf dem das AF Institut intensiv forscht.
Enormes Potenzial von GANs in der Diagnostik
Man sieht also: Vordergründig betrachtet sind Deep Fakes oder künstlich erschaffene Gesichter kurzweilige Unterhaltung – amüsant, mehr nicht. Tatsächlich hat aber die Technologie, die dahinter steckt, enormes Potential – vor allem im Gesundheitssektor.
