Zu abstrakt: Neuronale Plastizität – Institut Guttmann (T 1191/19)

Die Entscheidung T 1191/19 Neuronale Plastizität – Institut Guttmann vom 1. April 2022 bezieht sich auf die Anmeldung EP 2351523 A1 (Erstanmeldung mit Anmeldetag 31.10.2008).  

Die Anmeldung bezog sich auf die Simulation eines menschlichen Gehirns. Sie beanspruchte ein Verfahren zur Bestimmung einer Behandlung für eine neurologische Störung, insbesondere als Rehabilitation nach einer Hirnverletzung. 

Anspruch 1 laut Hauptantrag im Beschwerdeverfahren lautet wie folgt:  

Ein computerimplementiertes Verfahren zur Optimierung von Vorhersagen für personalisierte Interventionen für einen bestimmten Benutzer in Prozessen, deren Substrat die neuronale Plastizität ist, einschließlich eines Neurorehabilitationsprozesses, eines Neurobildungs-/Neurolernprozesses und eines kognitiven Neurostimulationsprozesses, wobei die Interventionen mindestens kognitive und/oder funktionelle Aufgaben umfassen, die von dem bestimmten Benutzer oder dem Subjekt der Neurorehabilitation, der Neurobildung/des Neurolernens oder der kognitiven Neurostimulation ausgeführt werden sollen, wobei das Verfahren Folgendes umfasst:  

• Erstellen und Verwenden einer Datenbank mit Informationen bezüglich einer Vielzahl von Benutzern, zumindest in Bezug auf durchzuführende oder zu unterziehende Interventionen und auf die Reaktionen der Benutzer auf die Durchführung der Interventionen, wobei  

• das Verfahren dadurch gekennzeichnet ist, dass die Informationen Evolutionsvariablen umfassen, die Informationen in Bezug auf den Erfolg jedes Benutzers enthalten, der einer oder mehreren solcher Interventionen unterzogen wurde, und dass das Verfahren ferner Folgendes umfasst:  
  
• Empfangen einer Anforderung für eine Vorhersage in Bezug auf eine Intervention für den bestimmten Benutzer von mindestens einem Therapeuten-Computerterminal (8) in Fernkommunikation mit dem zentralen Computerserver (5) durch einen zentralen Computerserver (5);  
  
• Nach Empfang der Anfrage, Zugriff, durch den zentralen Computerserver (5) auf die Datenbank (6), wobei Daten mit Informationen über den bestimmten Benutzer in die Datenbank (6) eingegeben werden, wenn der bestimmte Benutzer nicht ein Benutzer aus der Vielzahl von Benutzern ist;  
  
• Verwendung eines Algorithmus oder einer Strategie im Bereich des Meta-Lernens durch den zentralen Computerserver (5) zur automatischen Durchführung der folgenden Schritte:

a) Erzeugen von mindestens zwei Gruppen von Kandidatenvorhersagen in Bezug auf mögliche durchzuführende Eingriffe oder denen der bestimmte Benutzer unterzogen werden soll, indem mindestens zwei Klassifizierungsschritte durchgeführt werden, die in einem Satz von Validierungsdaten erlernt wurden, die für beide Klassifizierungsschritte unabhängig und gemeinsam sind, wobei die mindestens zwei Klassifizierungsschritte unabhängig auf der Grundlage der Informationen der Datenbank durchgeführt werden, und zwar mittels:

a1) Verwendung von zwei Klassifikatoren, die sich zumindest dadurch voneinander unterscheiden, dass jeder von ihnen auf der Anwendung eines jeweiligen Satzes heuristischer oder deterministischer Regeln basiert, die sich von denen des anderen Klassifikators unterscheiden, um die mindestens zwei Gruppen von Kandidatenvorhersagen zu erhalten, die sich voneinander unterscheiden, oder  

a2) Verwenden eines einzelnen Klassifikators, der auf einem einzelnen Satz heuristischer oder deterministischer Regeln basiert, wobei der Klassifikator mindestens zweimal verwendet wird, einmal für jeden Klassifizierungsschritt mit jedes Mal unterschiedlichen Eingabeparametern, wobei die Informationen der Datenbank als Bestandteil einiger grundlegender Trainingsdaten betrachtet werden;  

b) Erzeugen eines Satzes von Trainingsdaten auf Metaebene aus den Validierungsdaten und den beiden Gruppen von Kandidatenvorhersagen;

c) Durchführen einer Metaklassifizierung auf der Grundlage von zumindest heuristischen oder deterministischen Regeln auf dem Satz von Trainingsdaten auf Metaebene, um die zwei Klassifizierer zu integrieren oder die Leistung von jedem von ihnen unabhängig zu verbessern, wobei

die Klassifizierung von Schritt a) und die Metaklassifizierung von Schritt c) mittels  

• künstlichen neuronalen Netzen, wobei die Eingabeparameter zumindest mit einer der folgenden Eigenschaften eines künstlichen neuronalen Netzes in Beziehung stehen: Netzwerktopologie, Aktivierungsfunktion, Endbedingung, Lernmechanismus oder einer Kombination davon, oder  
  
• automatischen induktiven Lernalgorithmen, und 

d) basierend auf den Ergebnissen des Schritts c) Bestimmen einer endgültigen oder optimalen Vorhersage durch Auswählen einer der Gruppen von Kandidatenvorhersagen, die in Schritt a) erhalten wurden, oder durch Kombinieren derselben, und:

d1) Auswählen des Klassifikators und der heuristischen oder deterministischen Regeln, die in Teilschritt a1) verwendet wurden und die die endgültige oder optimale Vorhersage verursacht haben; oder  

d2) Auswählen der Eingabeparameter des einzelnen Klassifikators, der in Teilschritt a2) verwendet wurde und die die endgültige oder optimale Vorhersage verursacht haben,  

wobei sich die endgültige oder optimale Vorhersage auf einen Prozentsatz des Erfolgs der Anwendung der Intervention auf den bestimmten Benutzer bezieht, wobei der Prozentsatz mittels der evolutionären Variablen dargestellt wird und neue Werte der evolutionären Variablen für den bestimmten Benutzer in die Datenbank (6) aufgenommen werden und der Erfolg auf mindestens einer der folgenden vier Ebenen analysiert wird:  

- Erfolg auf der Ebene der Ausführung der kognitiven und/oder funktionalen Aufgabe und der Eignung oder Angemessenheit der für jedes spezifische Benutzerprofil vorgeschlagenen Aufgabe;  

- Erfolg auf der Ebene der Erreichung des unmittelbaren Ziels, das als Verbesserung der kognitiven Funktion verstanden wird, für die die kognitive und/oder funktionale Aufgabe ausgewählt wurde;  

- Erfolg auf der Ebene der Erreichung des allgemeinen Ziels, das als objektivierte Verbesserungen bei anderen kognitiven Funktionen zusätzlich zur Zielfunktion verstanden wird; und  

- Erfolg auf der Leistungsebene des langfristigen Ziels, das als Reduzierung der funktionellen Einschränkungen für die Entwicklung täglicher Aktivitäten im Fall eines Neurorehabilitationsprozesses verstanden wird, oder das als Erreichen eines bestimmten Grades an Neurolernen im Fall eines Neurobildungs-/Neurolernprozesses verstanden wird, oder das als Verbesserung der stimulierten kognitiven Fähigkeiten im Fall einer kognitiven Neurostimulation verstanden wird;  

• Bereitstellung der endgültigen oder optimalen Vorhersage durch den zentralen Computerserver (5) an das Computerterminal des Therapeuten (8), damit dieser entscheiden kann, ob die kognitiven und/oder funktionalen Aufgaben, die in der Intervention für den bestimmten Benutzer enthalten sind, beibehalten oder geändert werden sollen;  

• Senden der vom Therapeuten auf der Grundlage der Entscheidung beschlossenen Intervention durch den zentralen Computerserver (5) an den bestimmten Benutzer über ein Benutzercomputerterminal (7a, 7b, 7c) in Zweiwegkommunikation mit dem zentralen Computerserver (5); und  

• Empfangen der Ergebnisse der Durchführung der Intervention durch den Benutzer durch den zentralen Computerserver.  

Die Prüfungsabteilung wies die Anmeldung wegen mangelnder Klarheit oder mangelnder erfinderischer Tätigkeit zurück. Der Einwand der mangelnden erfinderischen Tätigkeit gründete sich auf eine fehlende Beziehung zwischen dem angeblich gelösten Problem und den Merkmalen des Anspruchs. Die Prüfungsabteilung stellte fest, dass die Verfahrensschritte, die zu den optimalen Vorhersagen führen, so unklar und auf einem so hohen Niveau definiert sind, dass es unmöglich ist, zu bestimmen, wie die Eingabedaten verarbeitet werden, um einen technischen Effekt zu erzielen, der das technische Problem löst. Anders ausgedrückt: Die Prüfungsabteilung betrachtete den Anspruch selbst als so unklar, dass das Fehlen einer glaubhaft erzielten technischen Wirkung automatisch zu einem Mangel an erfinderischer Tätigkeit führt.  

Der Anmelder legte Beschwerde ein. Die Kammer wies die Beschwerde sowohl wegen mangelnder erfinderischer Tätigkeit als auch wegen unzureichender Offenlegung zurück. In Bezug auf die ausreichende Offenlegung stellte die Kammer fest, dass in der Beschreibung nichts von Folgendem offenbart wurde:  

• ein Beispieldatensatz von Trainingsdaten (Input für das beanspruchte Meta-Lernschema),  

• ein Beispieldatensatz von Validierungsdaten (Input für das beanspruchte Meta-Lernschema),  
  
• eine Mindestanzahl von Patienten, aus denen Trainingsdaten zusammengestellt werden sollten,  
  
• heuristische Grundlagen für das Training der beanspruchten Klassifikatoren A und B,  
  
• eine Metaheuristik für das Training des beanspruchten Metaklassifikators, 
  
• die Struktur, Topologie, Aktivierungsfunktionen, Endbedingungen oder den Lernmechanismus der beanspruchten neuronalen Netze.  

Kommentar  

Die Entscheidung der Beschwerdekammer ist absolut sinnvoll, da die Beschreibung fast genauso allgemein gehalten ist wie die Ansprüche. Sie beschreibt die Erfindung auf derselben Abstraktionsebene, die überdies so hoch ist, dass die Komponenten des neuronalen Netzwerks nur funktional beschrieben werden (unter Verwendung der Begriffe „Klassifikator“, „Trainingsdaten“ usw., die keine strukturellen Merkmale, sondern Funktionen beschreiben). Darüber hinaus wird die Beziehung zwischen diesen Komponenten nicht näher beschrieben.  

Man beachte aber, dass abstrakt formulierte Ansprüche und eine abstrakte Beschreibung nicht automatisch einen Offenbarungsmangel darstellen müssen. Wenn eine computerimplementierte Erfindung jedoch auf einem so hohen Abstraktionsniveau beschrieben wird, dass sie nur funktional definiert ist, bezieht sie sich auf ein zu lösendes Problem.  

Diese Entscheidung zeigt, dass ein Patent für eine KI-Erfindung schwer zu erhalten ist, wenn die Anmeldung die Erfindung auf einem zu hohen Abstraktionsniveau beschreibt. Hier wäre es notwendig gewesen, die Erfindung auf einem niedrigeren Niveau mit mehr Details zu beschreiben. Dies wurde allgemein für computerimplementierte Erfindungen beobachtet, siehe z. B. Schwarz/Kruspig: Computerimplementierte Erfindungen, Carl Heymanns Verlag, 3. Aufl. 2024, S. 16-17.  

Für die vorliegende Anmeldung wurde eine parallele US-Anmeldung (14/224,936) abgelehnt, weil die Erfindung nicht technisch (non statutory subject-matter) und nicht erfinderisch sei. 

Bei Fragen stehen Ihnen unsere Anwältinnen und Anwälte gerne zur Verfügung. Kontaktieren Sie uns einfach unter: muc@maucherjenkins.com oder telefonisch: +49 89 340 77 26-0.

Weitere Artikel dieser Serie finden Sie hier:
Artikel 1 
Artikel 2
Artikel 3
Artikel 4
Artikel 6
Artikel 7
Artikel 8
Artikel 9