idw – Informationsdienst Wissenschaft
Nachrichten, Termine, Experten
Nachrichten, Termine, Experten
idw - Informationsdienst
Wissenschaft
Kl-basierter föderaler Diagnosealgorithmus lernt effizient über Klinikgrenzen hinweg, ohne den Datenschutz zu verletzen
Ein Algorithmus, entwickelt von Forschenden von Helmholtz Munich, der Technischen Universität München (TUM) und ihres Klinikums rechts der Isar, des Universitätsklinikums Bonn (UKB) und der Universität Bonn ist in der Lage, über verschiedene medizinische Einrichtungen hinweg selbständig zu lernen. Der Clou dabei: Er ist „selbst-lernend“, benötigt also keine umfangreichen, zeitaufwendigen Befunde oder Markierungen von Radiologen in den MRT-Aufnahmen. Dieser föderale Algorithmus wurde an mehr als 1.500 MR-Scans gesunder Studienteilnehmer aus vier Einrichtungen trainiert, ohne dabei den Datenschutz zu verletzen. Mit Hilfe des Algorithmus wurden anschließend mehr als 500 MRT-Aufnahmen von Patienten analysiert, um Krankheiten wie Multiple Sklerose, Gefäßerkrankungen sowie verschiedene Formen von Hirntumoren zu erkennen, die der Algorithmus vorher noch nie gesehen hatte. Das eröffnet neue Möglichkeiten für die Entwicklung effizienter, KI-basierter föderaler Algorithmen, die selbstständig lernen und dabei die Privatsphäre schützen. Die Studie ist jetzt im Fachmagazin „Nature Machine Intelligence“ erschienen.
Das Gesundheitswesen wird derzeit durch Künstliche Intelligenz revolutioniert. Mit präzisen KI-Lösungen können Ärzte bei der Diagnose unterstützt werden. Allerdings benötigen solche Algorithmen für das Training eine erhebliche Menge an Daten und den dazugehörigen radiologischen fachärztlichen Befunden. Der Aufbau einer solchen großen, zentralen Datenbank stellt aber zum einen besondere Anforderungen an den Datenschutz, und zum anderen ist die Erstellung der Befunde und Annotationen, beispielsweise das Markieren von Tumoren in einer MRT-Aufnahme, sehr aufwendig. Zur Bewältigung dieser Herausforderungen hat ein interdisziplinäres Team von Helmholtz Munich, dem Universitätsklinikum Bonn und der Universität Bonn zusammen mit Klinikern und Forschenden des Imperial College London und der TUM und ihres Universitätsklinikums rechts der Isar zusammengearbeitet. Ziel war, einen KI-basierten medizinischen Diagnose-Algorithmus für MRT-Aufnahmen des Gehirns zu entwickeln, und das ganz ohne von einem Radiologen kommentierte beziehungsweise aufgearbeitete Daten. Darüber hinaus sollte dieser Algorithmus „föderal“ trainiert werden: Auf diese Weise „kommt der Algorithmus zu den Daten“, so dass die besonders schützenswerten medizinischen Bilddaten in der jeweiligen Klinik bleiben konnten und nicht zentral gesammelt werden mussten.
Lernen von mehreren Instituten ohne Datenaustausch
In ihrer Studie konnten die Forschenden zeigen, dass der von ihnen entwickelte föderale KI-Algorithmus jeden KI-Algorithmus, der nur mit Daten aus einem einzelnen Institut trainiert wurde, übertrifft. „In seiner ‘Weisheit der Massen’ argumentierte James Surowiecki, dass große Gruppen von Menschen intelligenter sind, egal wie klug ein Einzelner sein mag. Grundsätzlich funktioniert so unser föderaler KI-Algorithmus“, sagt Prof. Dr. Shadi Albarqouni, Professor für Computergestützte medizinische Bildgebungsforschung an der Klinik für Diagnostische und Interventionelle Radiologie am Universitätsklinikum Bonn und Helmholtz AI Nachwuchsgruppenleiter bei Helmholtz Munich. Um das Wissen über MRT-Aufnahmen des Gehirns zu bündeln, trainierte das Forscher-Team den KI-Algorithmus in verschiedenen und unabhängigen medizinischen Einrichtungen, ohne den Datenschutz zu verletzen oder Daten zentral zu sammeln. „Sobald dieser Algorithmus lernt, wie MRT-Bilder des gesunden Gehirns aussehen, ist es für ihn einfacher, Krankheiten zu erkennen. Um dies zu erreichen, bedarf es einer intelligenten rechnerischen Aggregation und Koordination zwischen den beteiligten Instituten“, sagt Prof. Dr. Albarqouni. PD Dr. Benedikt Wiestler, Oberarzt am Universitätsklinikum rechts der Isar der TUM und ebenfalls an der Studie beteiligt, ergänzt: „Das Training des Modells an Daten aus verschiedenen Zentren trägt erheblich dazu bei, dass unser Algorithmus Krankheiten deutlich robuster erkennt als andere Algorithmen, die nur mit Daten aus einem Zentrum trainiert sind.“
Auf dem Weg zu erschwinglichen kooperativen KI-Lösungen
Durch den Schutz der Patientendaten bei gleichzeitiger Reduzierung der Arbeitsbelastung von Radiologen glauben die Wissenschaftler, dass ihre föderale KI-Technologie die digitale Medizin erheblich voranbringen wird. „KI und Gesundheitspflege sollte erschwinglich sein, und das ist unser Ziel. Einen Schritt in dieser Richtung haben wir in unserer Studie nachgewiesen“, sagt Prof. Dr. Albarqouni. „Das ultimative Ziel ist die Entwicklung von KI- Algorithmen, gemeinschaftlich trainiert an verschiedenen, dezentralisierten medizinischen Instituten, einschließlich derjenigen mit begrenzten Ressourcen.“
Prof. Dr. Shadi Albarqouni, Professor für Computergestützte medizinische Bildgebungsforschung am Universitätsklinikum Bonn; KI-Nachwuchsgruppenleiter Helmholtz AI / Helmholtz Munich
Cosmin I. Bercea, Benedikt Wiestler, Daniel Rueckert, and Shadi Albarqouni, 2022: Federated Disentangled Representation Learning for Unsupervised Brain Anomaly Detection; Nature Machine Intelligence. https://doi.org/10.1038/s42256-022-00515-2
Criteria of this press release:
Journalists, Scientists and scholars
Information technology, Medicine
transregional, national
Research projects, Research results
German
You can combine search terms with and, or and/or not, e.g. Philo not logy.
You can use brackets to separate combinations from each other, e.g. (Philo not logy) or (Psycho and logy).
Coherent groups of words will be located as complete phrases if you put them into quotation marks, e.g. “Federal Republic of Germany”.
You can also use the advanced search without entering search terms. It will then follow the criteria you have selected (e.g. country or subject area).
If you have not selected any criteria in a given category, the entire category will be searched (e.g. all subject areas or all countries).
