Georg Thieme Verlag KG
kma Online

DatenschutzkonformSelbstlernender Diagnosealgorithmus analysiert MRT-Aufnahmen

Ein Forschungsverbund, dem u.a. das Universitätsklinikum Bonn (UKB) angehört, hat einen Kl-basierten föderalen Diagnosealgorithmus zur Analyse von MRT-Aufnahmen entwickelt. Das Besondere daran: Er kommt ohne zeitaufwendig Befunde oder Markierungen von Radiologen aus.

Künstliche Intelligenz
vegefox.com/stock.adobe.com

Symbolfoto

Ein Algorithmus, entwickelt von Forschenden von Helmholtz Munich, der Technischen Universität München (TUM) und ihres Klinikums Rechts der Isar, des Universitätsklinikums Bonn (UKB) sowie der Universität Bonn ist in der Lage, über verschiedene medizinische Einrichtungen hinweg eigenständig zu lernen. Das eröffnet neue Möglichkeiten für die Entwicklung effizienter, KI-basierter föderaler Algorithmen, die den Datenschutz berücksichtigen.

Zeitsparender Algorithmus schützt Daten

Wo KI-Lösungen oftmals erhebliche Menge an Daten und die dazugehörigen radiologischen fachärztlichen Befunde benötigen um zu trainieren, setzt der neue Diagnosealgorithmus an. Er ist „selbst-lernend“, benötigt also keine umfangreichen, zeitaufwendigen Befunde oder Markierungen von Radiologen in den MRT-Aufnahmen. Der föderale Algorithmus wurde an mehr als 1500 MR-Scans gesunder Studienteilnehmer aus vier Einrichtungen trainiert.

Mit Hilfe des Algorithmus erfolgte anschließend die Analyse von mehr als 500 MRT-Aufnahmen, um Krankheiten wie Multiple Sklerose, Gefäßerkrankungen sowie verschiedene Formen von Hirntumoren zu erkennen. Diese hatte der Algorithmus vorher noch nie gesehen. Er wurde „föderal“ trainiert, womit der Algorithmus zu den Daten kam unter Berücksichtigung der Vorgabe, dass die besonders schützenswerten medizinischen Bilddaten in der jeweiligen Klinik bleiben konnten und nicht zentral gesammelt werden mussten.

Lernen ja, Datenaustausch nein

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. 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. Auch trug das Training des Modells an Daten aus verschiedenen Zentren erheblich dazu bei, dass der Algorithmus Krankheiten deutlich robuster erkenne als andere Algorithmen, die nur mit Daten aus einem Zentrum trainiert würden.

Erschwingliche kooperative KI-Lösungen in Sicht?

Durch den Schutz der Patientendaten bei gleichzeitiger Reduzierung der Arbeitsbelastung von Radiologen glauben die Forschenden, 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“, so die Verantwortlichen. „Das ultimative Ziel ist die Entwicklung von KI- Algorithmen, gemeinschaftlich trainiert an verschiedenen, dezentralisierten medizinischen Instituten, einschließlich derjenigen mit begrenzten Ressourcen.“

Bitte loggen Sie sich ein, um einen neuen Kommentar zu verfassen oder einen bestehenden Kommentar zu melden.

Jetzt einloggen

  • Derzeit sind noch keine Kommentare vorhanden. Schreiben Sie den ersten Kommentar!