Der sogenannte „föderale“ Algoritmus wurde an mehr als 1.500 MR-Scans gesunder Studienteilnehmer aus vier Einrichtungen trainiert. 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. Aus Sicht der Forscher eröffnen die Forschungen neue Möglichkeiten für die Entwicklung effizienter, KI-basierter föderaler Algorithmen, die selbstständig lernen und dabei die Privatsphäre schützen.

Für das herkömmliche Training von Algorithmen präziser KI-Lösungen zur Diagnoseunterstützung werden eine erhebliche Menge an Daten und die dazugehörigen radiologischen fachärztlichen Befunde benötigt. Der Aufbau solcher großen, zentralen Datenbanken stellt aber zum einen besondere Anforderungen an den Datenschutz, und ist zum anderen bei der Erstellung der Befunde und Annotationen, beispielsweise das Markieren von Tumoren in MRT-Aufnahmen, sehr aufwendig. Zur Bewältigung dieser Herausforderungen wurde nun ein KI-basierter medizinischer Diagnose-Algorithmus für MRT-Aufnahmen des Gehirns entwickelt, der ohne von Radiologen kommentierte beziehungsweise aufgearbeitete Daten auskommt.

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, heißt es in einer Pressemitteilung des Helmholtz Zentrums München.

‍

Neue KI-Methode

In ihrer Studie konnten die Forscher 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. „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. Shadi Albarqouni, Uniklinik Bonn. PD Dr. Benedikt Wiestler, Uniklinik rechts der Isar der TU München 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.“

Der Schutz der Patientendaten bei gleichzeitiger Reduzierung der Arbeitsbelastung von Radiologen ihrer föderalen KI-Technologie, so glauben die Wissenschaftler, könnte die digitale Medizin erheblich voranbringen. „KI und Gesundheitspflege sollte erschwinglich sein, und das ist unser Ziel. Einen Schritt in dieser Richtung haben wir in unserer Studie nachgewiesen“, sagt Albarqouni.