Diagnosealgorithmus KI lernt über Klinikgrenzen hinweg

Zugehörige Themenseiten:
Digitalisierung

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. Er benötigt keine umfangreichen Befunde oder Markierungen in den MRT-Aufnahmen.

KI-Technologie
Ein neuer Kl-basierter föderaler Diagnosealgorithmus lernt effizient über Klinikgrenzen hinweg, ohne den Datenschutz zu verletzen. – © Universitätsklinikum Bonn (UKB)/Johann Saba

Das Gesundheitswesen wird derzeit durch Künstliche Intelligenz (KI) revolutioniert. Mit präzisen KI-Lösungen können Ärztinnen und 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,
  • der Universität Bonn zusammen mit
  • Klinikern und Forschenden des Imperial College London und
  • der TUM sowie ihres Universitätsklinikums rechts der Isar

zusammengearbeitet.

Ziel war, einen KI-basierten medizinischen Diagnosealgorithmus für MRT-Aufnahmen des Gehirns zu entwickeln, und das ganz ohne von einem Radiologen/einer Radiologin 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.

Neuer Diagnosealgorithmus: 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 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.“

Gibt es bald eine erschwingliche kooperative KI-Lösung?

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“, erklärt Albarqouni. Das „ultimative Ziel“ sei die Entwicklung von KI- Algorithmen, die gemeinschaftlich trainiert an verschiedenen, dezentralisierten medizinischen Instituten, einschließlich derjenigen mit begrenzten Ressourcen im Einsatz sind.

Föderiertes entwirrtes Repräsentationslernen

Die Publikation der genannten Studie „Föderiertes entwirrtes Repräsentationslernen zur unüberwachten Erkennung von Hirnanomalien“ ist in Nature Machine Intelligence erschienen.