Effiziente KI-Technologie zur Analyse von MRT-Daten
Kl-basierter föderaler Diagnosealgorithmus lernt effizient über Klinikgrenzen hinweg, ohne den Datenschutz zu verletzen
Bonn, 25. August 2022 – 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. Der Clou dabei: Er ist „selbst-lernend“, benötigt also keine umfangreichen, zeitaufwendigen Befunde oder Markierungen von Radiologen in den MRT-Aufnahmen. Dieser föderale Algorithmus wurde an mehr als 1.500 MR-Scans gesunder Studienteilnehmer aus vier Einrichtungen trainiert, ohne dabei den Datenschutz zu verletzen. 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. 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 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 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 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.
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 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.“
Auf dem Weg zu erschwinglichen kooperativen KI-Lösungen
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“, 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.“
Publikation:
Cosmin I. Bercea, Benedikt Wiestler, Daniel Rueckert, and Shadi Albarqouni, 2022: Federated Disentangled Representation Learning for Unsupervised Brain Anomaly Detection; Nature Machine Intelligence. https://doi.org/10.1038/s42256-022-00515-2
Oder: https://www.nature.com/articles/s42256-022-00515-2
Bildmaterial:
© Universitätsklinikum Bonn (UKB) / Johann Saba
© Universitätsklinikum rechts der Isar der TUM
Wissenschaftlicher Kontakt: Prof. Dr. Shadi Albarqouni, Professor für Computergestützte medizinische Bildgebungsforschung am Universitätsklinikum Bonn; KI-Nachwuchsgruppenleiter Helmholtz AI / Helmholtz Munich Telefon: +49 228 287 19089 shadi.albarqouni@ukbonn.de Pressekontakt: Dr. Inka Väth Medizin-Redakteurin Stabsstelle Kommunikation und Medien am Universitätsklinikum Bonn Tel. +49 (0) 228 287 10596 inka.vaeth@ukbonn.de
Verena Coscia Senior Manager Corporate Communication Helmholtz Munich Tel. +49 89 3187-43902 presse@helmholtz-munich.deÜber Helmholtz Munich: Helmholtz Munich ist ein biomedizinisches Spitzenforschungszentrum. Seine Mission ist, bahnbrechende Lösungen für eine gesündere Gesellschaft in einer sich schnell verändernden Welt zu entwickeln. Interdisziplinäre Forschungsteams fokussieren umweltbedingte Krankheiten, insbesondere die Therapie und die Prävention von Diabetes, Adipositas, Allergien und chronischen Lungenerkrankungen. Mittels künstlicher Intelligenz und Bioengineering transferieren die Forschenden ihre Erkenntnisse schneller zu den Patient:innen. Helmholtz Munich zählt mehr als 2.500 Mitarbeitende und hat seinen Sitz in München/Neuherberg. Es ist Mitglied der Helmholtz-Gemeinschaft, mit mehr als 43.000 Mitarbeitenden und 18 Forschungszentren die größte Wissenschaftsorganisation in Deutschland. Mehr über Helmholtz Munich (Helmholtz Zentrum München Deutsches Forschungszentrum für Gesundheit und Umwelt GmbH).
Über die TUM: Die Technische Universität München (TUM) ist mit mehr als 600 Professorinnen und Professoren, 48.000 Studierenden sowie 11.000 Mitarbeiterinnen und Mitarbeitern eine der forschungsstärksten Technischen Universitäten Europas. Ihre Schwerpunkte sind die Ingenieurwissenschaften, Naturwissenschaften, Lebenswissenschaften und Medizin, verknüpft mit den Wirtschafts- und Sozialwissenschaften. Die TUM handelt als unternehmerische Universität, die Talente fördert und Mehrwert für die Gesellschaft schafft. Dabei profitiert sie von starken Partnern in Wissenschaft und Wirtschaft. Weltweit ist sie mit dem Campus TUM Asia in Singapur sowie Verbindungsbüros in Brüssel, Mumbai, Peking, San Francisco und São Paulo vertreten. An der TUM haben Nobelpreisträger und Erfinder wie Rudolf Diesel, Carl von Linde und Rudolf Mößbauer geforscht. 2006, 2012 und 2019 wurde sie als Exzellenzuniversität ausgezeichnet. In internationalen Rankings gehört sie regelmäßig zu den besten Universitäten Deutschlands.
Zum Universitätsklinikum Bonn: Im UKB werden pro Jahr über 400.000 Patient*innen betreut, es sind 8.300 Mitarbeiter*innen beschäftigt und die Bilanzsumme beträgt 1,3 Mrd. Euro. Neben den über 3.300 Medizin- und Zahnmedizin-Studierenden werden pro Jahr rund 600 junge Menschen in anderen Gesundheitsberufen ausgebildet. Das UKB steht im Wissenschafts-Ranking auf Platz 1 unter den Universitätsklinika (UK) in NRW, weist den dritthöchsten Case Mix Index (Fallschweregrad) in Deutschland auf und hatte 2020 als einziges der 35 deutschen Universitätsklinika einen Leistungszuwachs und die einzige positive Jahresbilanz aller Universitätsklinika in NRW.
