Drei Forschungsgruppen beginnen in Ulm mit ungewöhnlich unterschiedlichen Fragen: Kann ein gewöhnliches Smartphone-Video Bewegungsveränderungen bei neurologischen Erkrankungen messbar machen? Wie lässt sich automatisches logisches Schließen auf viele Rechner verteilen, ohne die Nachprüfbarkeit aufzugeben? Und wie häufig verschlechtern sich psychische Symptome im Verlauf des Menstruationszyklus tatsächlich?
Die Deutsche Forschungsgemeinschaft fördert alle drei Vorhaben im Emmy-Noether-Programm. Das Programm soll Forschenden in einer frühen Karrierephase ermöglichen, bis zu sechs Jahre eine eigene Gruppe zu leiten. Für die Einordnung ist das wichtig: Die Förderung bestätigt die wissenschaftliche Qualität der Vorhaben, aber nicht deren erwartete Ergebnisse. Die Universität beschreibt Arbeitsprogramme, keine fertigen Diagnoseverfahren, Softwareprodukte oder klinischen Empfehlungen.
Aus Handyvideos sollen messbare Bewegungsdaten werden
Die Gruppe von Maximilian Friedrich will Verfahren aus Computer Vision und Deep Learning nutzen, um Gesichtsbewegungen, Gestik und Motorik in Videos quantitativ zu erfassen. Das Ziel ist, Veränderungen im Verlauf neurologischer Erkrankungen sowie mögliche Effekte von Therapien genauer zu untersuchen. Als Beispiel nennt die Universität die tiefe Hirnstimulation.
Der praktische Reiz liegt auf der Hand: Smartphone-Videos wären leichter und häufiger verfügbar als aufwendige Laboraufnahmen. Gerade wiederholte Messungen könnten zeigen, ob sich Bewegungsmuster über Tage oder Monate verändern. Noch fehlen in der öffentlichen Projektbeschreibung jedoch zentrale Angaben für eine medizinische Bewertung – etwa zur Zahl der Teilnehmenden, zu Vergleichsstandards, zur Fehlerquote und zur Übertragbarkeit auf verschiedene Geräte, Lichtverhältnisse oder Patientengruppen.
Deshalb ist das Vorhaben nicht mit einer Smartphone-Diagnose gleichzusetzen. Ein Algorithmus kann Bewegungsmerkmale messen, ohne dadurch eine Erkrankung zuverlässig zu erkennen. Bevor ein solches Verfahren in der Versorgung eine Rolle spielen könnte, wären unabhängige Validierungen, Datenschutzkonzepte und eine Prüfung des klinischen Zusatznutzens nötig.
Logische KI soll exakt bleiben und trotzdem skalieren
Dominik Schreibers Gruppe arbeitet an automatischem logischem Schließen. Anders als generative Sprachmodelle, die Texte statistisch fortsetzen, geht es hier um formale Regeln und Schlussfolgerungen, die sich Schritt für Schritt überprüfen lassen. Solche Verfahren werden beispielsweise genutzt, um Hardware und Software zu verifizieren, Schaltungen zu entwerfen oder mathematische Beweise zu unterstützen.
Das Problem ist die Rechenlast: Mit der Größe eines formalen Problems wächst die Zahl möglicher Schlusswege häufig stark. Die Gruppe will deshalb Verfahren entwickeln, die Rechenarbeit über verteilte Systeme mit Prozessoren und Grafikprozessoren aufteilen. Als Ergebnis ist frei verfügbare Software vorgesehen.
„Exakt“ bedeutet dabei nicht, dass eine Maschine beliebige reale Fragen fehlerfrei beantwortet. Die Garantie gilt nur innerhalb eines formal beschriebenen Problems und seiner Annahmen. Ist die Modellierung unvollständig oder falsch, kann auch eine logisch korrekte Ableitung am eigentlichen Sachverhalt vorbeigehen. Die wissenschaftliche Aufgabe liegt daher nicht nur in schnellerem Rechnen, sondern auch darin, welche Probleme sich sinnvoll formalisieren lassen.
240 Frauen, zwei Jahre und wiederholte Messungen
Katja Schmalenbergers Gruppe plant eine zweijährige Längsschnittstudie mit 240 Frauen, die einen natürlichen Menstruationszyklus und unterschiedliche psychische Erkrankungen haben. Wiederholt erfasst werden sollen unter anderem Hormone, Symptome, Konzentration, Herzratenvariabilität und Schlaf. Die transdiagnostische Anlage soll nicht nur eine einzelne Diagnose betrachten, sondern wiederkehrende Muster über verschiedene Erkrankungen hinweg suchen.
Der Ansatz kann eine Schwäche vieler einmaliger Befragungen vermeiden: Bei wiederholten Messungen lässt sich für jede Teilnehmerin untersuchen, ob Veränderungen zeitlich mit bestimmten Zyklusphasen zusammenfallen. Das ist aussagekräftiger als ein einzelner Gruppenvergleich. Trotzdem beweist ein zeitlicher Zusammenhang allein noch keine hormonelle Ursache. Schlaf, Medikamente, Belastungen oder andere Faktoren können Symptome ebenfalls beeinflussen. Welche Ein- und Ausschlusskriterien gelten und wie mit solchen Störfaktoren umgegangen wird, geht aus der Pressemitteilung nicht im Detail hervor.
Ein früheres DFG-Projekt von Schmalenberger untersuchte bereits zyklusbezogene Symptomveränderungen und experimentelle Hormoneffekte. Diese Vorarbeiten liefern eine Begründung für die neue, breiter angelegte Kohorte. Sie ersetzen deren Ergebnisse aber nicht: Ob sich robuste Muster zeigen und welche klinische Bedeutung sie haben, kann erst die Auswertung des neuen Projekts beantworten.
Drei Projekte, ein gemeinsamer Prüfstein
Die Themen reichen von Neurologie über Informatik bis Psychiatrie. Gemeinsam ist ihnen, dass sie komplexe Beobachtungen in überprüfbare Daten oder Schlussketten übersetzen wollen. Genau dort liegt auch das Risiko vorschneller Erwartungen: Ein Messwert ist noch keine Diagnose, eine formale Ableitung noch kein allgemeines Verständnis und ein Zyklusmuster noch keine Kausalität.
Für die kommenden Jahre werden deshalb nicht Schlagworte wie „KI“ oder „personalisierte Medizin“ entscheidend sein, sondern nachvollziehbare Methoden: vorab definierte Endpunkte, geeignete Vergleichsgruppen, dokumentierte Fehlergrenzen und – wo möglich – unabhängige Wiederholungen. Die Ulmer Mitteilung markiert den Start dieser Arbeit, nicht ihren Abschluss.
