Ein Forschungskonsortium, dem das Universitätsklinikum Bonn (UKB) angehört, hat einen auf künstlicher Intelligenz basierenden föderalen Diagnosealgorithmus zur Analyse von MRT-Bildern entwickelt. Das Besondere daran: Es bedarf keiner aufwändigen Befundung oder Markierung durch Radiologen. Der von Forschern am Helmholtz München, der Technischen Universität München (TUM) und ihrem Klinikum rechts der Isar, dem Universitätsklinikum Bonn (UKB) und der Universität Bonn entwickelte Algorithmus ermöglicht selbstständiges Lernen in unterschiedlichen medizinischen Einrichtungen. Dies eröffnet neue Möglichkeiten, effiziente, KI-basierte Föderationsalgorithmen unter Berücksichtigung des Datenschutzes zu entwickeln.

Zeitsparende Algorithmen schützen Daten

KI-Lösungen erfordern oft große Datenmengen und relevante Radiologieberichte von medizinischen Experten, um sie zu trainieren. Hier setzt der neue Diagnosealgorithmus an. Dieser ist selbstlernend, sodass Radiologen nicht zahlreiche zeitraubende Befunde oder Marker in MRT-Bildern finden müssen. Der gemeinsame Algorithmus wurde an mehr als 1500 MRT-Scans gesunder Probanden aus vier Institutionen trainiert. Und wurde dann verwendet, um mehr als 500 MRT-Scans zu analysieren, damit Erkrankungen wie Multiple Sklerose, Gefäßerkrankungen und verschiedene Formen von Hirntumoren identifiziert werden können. Das hat der Algorithmus noch nie gesehen. Er wurde „föderal“ geschult, wodurch er Zugriff auf die Daten hatte. Unter Berücksichtigung der Vorgabe, dass besonders sensible medizinische Bilddaten in den jeweiligen Kliniken vorgehalten werden können und nicht zentral gesammelt werden müssen.

Learning by doing

In ihrer Studie konnten die Forscher zeigen, dass der von ihnen entwickelte föderierte KI-Algorithmus jeden anderen KI-Algorithmus übertraf, der nur mit Daten eines einzigen Instituts trainiert wurde. Um das Wissen über Gehirn-MRT-Scans zu bündeln, trainierte das Forschungsteam KI-Algorithmen in verschiedenen und unabhängigen medizinischen Einrichtungen, ohne den Datenschutz zu verletzen oder die Datenerfassung zu zentralisieren. Das Modelltraining mit Daten aus verschiedenen Zentren trug ebenfalls wesentlich dazu bei, dass der Algorithmus bei der Erkennung von Krankheiten robuster war als andere Algorithmen, die mit Daten aus nur einem Zentrum trainiert wurden.

Kollaborative KI-Lösungen?

Durch den Schutz von Patientendaten bei gleichzeitiger Reduzierung der Arbeitsbelastung für Radiologen glauben die Forscher, dass ihre föderale KI-Technologie die digitale Medizin erheblich voranbringen wird. Künstliche Intelligenz und Gesundheitsversorgung sollen bezahlbar sein. Die Forschung zeigt, dass dies machbar ist. Dennoch, das ultimative Ziel ist die Entwicklung von KI-Algorithmen, gemeinschaftlich trainiert an verschiedenen, dezentralisierten medizinischen Instituten, einschließlich derjenigen mit begrenzten Ressourcen.