Mit Hilfe des Algorithmus wurden anschließend mehr als 500 MRT-Aufnahmen von Patientinnen und 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 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 und der Universität Bonn zusammen mit Klinikern bzw. Klinikerinnen 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 oder 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.
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 Forscherinnen- und 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.“
Durch den Schutz der Patientinnen- und Patientendaten bei gleichzeitiger Reduzierung der Arbeitsbelastung von Radiologinnen und 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“, 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.“
MEDICA.de; Quelle: Helmholtz Zentrum München Deutsches Forschungszentrum für Gesundheit und Umwelt (GmbH)
