Vom Abstrakten zum Angewandten: Wie Desjardins den Patentschutz für KI im Gesundheitswesen neu gestalten kann

Seit einem Jahrzehnt stehen Innovatoren an der Schnittstelle zwischen künstlicher Intelligenz (KI) und Präzisionsmedizin vor einem hartnäckigen Paradoxon: Gerade die Durchbrüche in den Bereichen Software und maschinelles Lernen, die eine frühzeitige Krebserkennung und personalisierte Therapieempfehlungen ermöglichen, werden in den USA oft nicht durch Patente geschützt. Unter dem unvorhersehbaren Alice/Mayo-Rahmenwerk stufen Patentprüfer und Gerichte adaptive KI-Modelle häufig als „abstrakte Ideen“ ein und setzen sie mit mathematischen Übungen gleich, anstatt sie als schützenswerte technologische Fortschritte anzuerkennen.

Das Ergebnis war ein abschreckender Effekt auf Investitionen und Offenlegung in einem der vielversprechendsten Bereiche des Gesundheitswesens und möglicherweise eine Gefahr für die Führungsposition der Vereinigten Staaten im Bereich der biomedizinischen KI.

Die erneute Anhörung des USPTO vom 25. September 2025, Ex parte Desjardins,[i] ist die deutlichste Bestätigung dafür, dass KI-Innovationen, einschließlich solcher mit Anwendungen im Gesundheitswesen, patentierbar sein können. Das Berufungsgremium („ARP“) hob eine Ablehnung gemäß § 101 gegen das kontinuierliche Lernframework von DeepMind auf und stellte fest, dass es ein mathematisches Konzept in eine praktische Anwendung integriert habe, indem es die Funktionalität des Modells selbst verbessert habe. Bemerkenswert ist, dass das ARP nicht nur die Entscheidung der Kammer aufgehoben und die Ansprüche für patentierbar befunden hat,[ii] sondern dass die Entscheidung auch von John A. Squires, dem neuen Direktor des US-Patent- und Markenamts, verfasst wurde. 

Die abgelehnten Ansprüche

Die zu prüfenden Ansprüche beziehen sich auf ein computerimplementiertes Verfahren zum Trainieren eines maschinellen Lernmodells. Der repräsentative unabhängige Anspruch 1[iii] lautet:

1. Ein computergestütztes Verfahren zum Trainieren eines maschinellen Lernmodells,

wobei das maschinelle Lernmodell mindestens eine Vielzahl von Parametern aufweist und anhand einer ersten maschinellen Lernaufgabe unter Verwendung erster Trainingsdaten trainiert wurde, um erste Werte der Vielzahl von Parametern des maschinellen Lernmodells zu bestimmen, und wobei das Verfahren umfasst:

Bestimmen für jeden der mehreren Parameter eines jeweiligen Maßes für die Bedeutung des Parameters für die erste maschinelle Lernaufgabe, umfassend:

Berechnen, basierend auf den ersten Werten der Vielzahl von Parametern, die durch Trainieren des maschinellen Lernmodells auf die erste maschinelle Lernaufgabe bestimmt wurden, einer Approximation einer posterioren Verteilung über mögliche Werte der Vielzahl von Parametern, Zuweisen, unter Verwendung der Approximation, eines Wertes zu jedem der Vielzahl von Parametern, wobei der Wert das jeweilige Maß für die Bedeutung des Parameters für die erste maschinelle Lernaufgabe ist und eine Wahrscheinlichkeit approximiert, dass der erste Wert des Parameters nach dem Training für die erste maschinelle Lernaufgabe ein korrekter Wert des Parameters ist, unter Berücksichtigung der ersten Trainingsdaten, die zum Trainieren des maschinellen Lernmodells für die erste maschinelle Lernaufgabe verwendet wurden;

Erhalten von zweiten Trainingsdaten zum Trainieren des maschinellen Lernmodells für eine zweite, andere maschinelle Lernaufgabe; und Trainieren des maschinellen Lernmodells für die zweite maschinelle Lernaufgabe durch Trainieren des maschinellen Lernmodells mit den zweiten Trainingsdaten, um die ersten Werte der Vielzahl von Parametern anzupassen, um die Leistung des maschinellen Lernmodells für die zweite maschinelle Lernaufgabe zu optimieren und gleichzeitig die Leistung des maschinellen Lernmodells für die erste maschinelle Lernaufgabe zu schützen;

wobei das Anpassen der ersten Werte der Vielzahl von Parametern das Anpassen der ersten Werte der Vielzahl von Parametern umfasst, um eine Zielfunktion zu optimieren, die teilweise von einem Strafterm abhängt, der auf den ermittelten Maßstäben für die Bedeutung der Vielzahl von Parametern für die erste maschinelle Lernaufgabe basiert.

Rechtliche Analyse

Das ARP folgte dem zweistufigen Alice/Mayo -Test und dem analytischen Rahmenwerk MPEP § 2106.[iv] Das Gremium beschränkte seine Analyse auf Schritt 2A (Alice Schritt 1), da die Frage entscheidend war. Unter Schritt 2A, Punkt 1 konzentriert sich die Untersuchung darauf, ob die Behauptung eine abstrakte Idee wiedergibt. Hier bestritt das ARP nicht die Position der Kammer, dass die Berechnung einer Annäherung über Parameter eine mathematische Berechnung und somit eine abstrakte Idee darstellt.[v] 

Das Gremium fuhr dann mit Schritt 2A, Punkt 2 fort, wo sich die Untersuchung darauf konzentriert, ob die abstrakte Idee in eine praktische Anwendung integriert ist. An dieser Stelle war das ARP aus mehreren Gründen nicht mit der Entscheidung der Kammer einverstanden. Erstens stellte das ARP fest, dass die Ansprüche technische Verbesserungen hinsichtlich der Funktionsweise des Lernmodells selbst darstellten, indem sie frühere Kenntnisse bewahrten und gleichzeitig den Speicherbedarf und die Komplexität des Systems reduzierten.[vi] Zweitens handele es sich bei diesen Verbesserungen um technische Verbesserungen und nicht lediglich um Einschränkungen des Anwendungsbereichs.[vii] 

Das ARP stützte sich bei seiner Entscheidung auf die Rechtsprechung des Federal Circuit, insbesondere auf Enfish, LLC. gegen Microsoft Corp., 822 F.3D 1327, 1339 (Fed. Cir. 2016) und McRO, Inc. v. Bandai Namco Games Am. Inc., 837 F.3d 1299, 1315 (Fed. Cir. 2016), in denen festgestellt wurde, dass softwarebasierte strukturelle oder logische Verbesserungen patentfähig sein können.[viii]Der ARP hob insbesondere Enfish hervor und erklärte, dass dieser Fall „zu den führenden Fällen des Federal Circuit zur Patentierbarkeit technologischer Verbesserungen gehört”, und zitierte die Entscheidung in Enfish mit den Worten : „Software kann ebenso wie Hardware nicht-abstrakte Verbesserungen der Computertechnologie bewirken.” Der ARP verwies anschließend auf Formulierungen in der Beschreibung, in denen dargelegt wird, wie die beanspruchte Erfindung weniger Speicherkapazität benötigt und eine geringere Systemkomplexität ermöglicht, was eine patentfähige technische Verbesserung darstellt. Jeder der Punkte, die der ARP im Hinblick auf Schritt 2A, Teil 2 des Alice/Mayo-Testsvorgebracht hat,scheintzu belegen, dass Verbesserungen an maschinellen Lernmodellen oder Algorithmen selbst Verbesserungen der Technologie darstellen und daher patentfähig sind.

Zusammenfassend lässt sich sagen, dass Desjardins einen neuen Ton für die Anwendung der aktuellen Rechtsprechung des Federal Circuit § 101 angibt und die Bedeutung der KI für die technologische Innovation der Vereinigten Staaten hervorhebt und anerkennt:

Der kategorische Ausschluss von KI-Innovationen vom Patentschutz in den Vereinigten Staaten gefährdet die Führungsposition Amerikas in dieser wichtigen Zukunftstechnologie. Nach der Argumentation des Gremiums sind jedoch viele KI-Innovationen potenziell nicht patentierbar – selbst wenn sie angemessen beschrieben und nicht offensichtlich sind –, da das Gremium im Wesentlichen jedes maschinelle Lernen mit einem patentierbaren „Algorithmus” und die übrigen zusätzlichen Elemente ohne ausreichende Erklärung als „generische Computerkomponenten” gleichgesetzt hat. Prüfer und Gremien sollten Ansprüche nicht auf einer so hohen Abstraktionsebene bewerten.[ix]

Neben der Aufhebung der Ablehnung gemäß 35 U.S.C. 101 und einer klaren Stellungnahme zur Bedeutung von KI-bezogenen Technologien weist Direktor Squires 35 U.S.C. § 101 seine angemessene Rolle in der Patentierbarkeitsanalyse zu und merkt an: „Dieser Fall zeigt, dass §§ 102, 103 und 112 die traditionellen und geeigneten Instrumente sind, um den Patentschutz auf seinen angemessenen Umfang zu beschränken. Diese gesetzlichen Bestimmungen sollten im Mittelpunkt der Prüfung stehen.“[x] 

Abschließende Gedanken und Empfehlungen[xi]

KI in der personalisierten Medizin integriert häufig Multi-Omics-, Bildgebungs- und klinische Daten und lernt aus früheren Patienten, während sie sich an neue Patienten anpasst. Nach Desjardins kann man argumentieren, dass kontinuierliches Lernen die Funktionsweise des Modells verbessert, wenn man diese Methoden mit technischen Verbesserungen in der Architektur oder im Training des Modells verbindet. Darüber hinaus sind KI-Tools, die die Modellgeneralisierung, Interpretation oder Trainingseffizienz verbessern, hybride Architekturen verwenden oder Drift oder Überanpassung über Patientenpopulationen hinweg reduzieren, keine bloßen abstrakten Ideen. Zusammenfassend lässt sich sagen, dass personalisierte Medizin-KI, die nicht nur verändert, was der Computer lernt, sondern auch wie er lernt, für einige KI-Erfindungen im Gesundheitswesen ein neuer sicherer Hafen für die Patentierbarkeit sein könnte.

[i] Ex parte Desjardins, Berufung 2024-000567, 26. September 2025.

[ii] Die ARP hat die Ablehnung der Ansprüche durch die Kammer als offensichtlich gemäß 35 U.S.C. § 103 nicht überprüft oder aufgehoben.

[iii]Ex parte Desjardins, S. 2–3.

[iv]Ebenda, S. 4–6.

[v]Ebenda, S. 6–7.

[vi]Ebenda, S. 8–9.

[vii]Ebenda.

[viii]Ebenda.

[ix]Id.at 9.

[x]Ebenda, interne Zitate weggelassen.

[xi] Auch wenn Desjardins nicht in gleicher Weise wie eine gerichtliche Entscheidung präzedenzrechtlich ist, sind ARP-Entscheidungen für das USPTO unter der Autorität des Direktors bindend. Daher müssen Prüfer und PTAB-Gremien dieser Argumentation folgen, sofern sie nicht vom Federal Circuit oder einer zukünftigen ARP-Entscheidung aufgehoben wird.

Der kategorische Ausschluss von KI-Innovationen vom Patentschutz in den Vereinigten Staaten gefährdet die Führungsposition Amerikas in dieser wichtigen Zukunftstechnologie. Nach der Argumentation des Gremiums sind jedoch viele KI-Innovationen potenziell nicht patentierbar – selbst wenn sie angemessen beschrieben und nicht offensichtlich sind –, da das Gremium im Wesentlichen jedes maschinelle Lernen mit einem nicht patentierbaren „Algorithmus“ und die übrigen zusätzlichen Elemente als „generische Computerkomponenten“ gleichgesetzt hat, ohne dies angemessen zu begründen. Prüfer und Gremien sollten Ansprüche nicht auf einer so hohen Abstraktionsebene bewerten.

Referenzierten Artikel anzeigen