Künstliche Intelligenz in der Medizin

(FL) ist eine bahnbrechende Technologie in der Medizin, die das Training von KI-Modellen unter Wahrung des Datenschutzes für Patientendaten ermöglicht. Im Gegensatz zu herkömmlichen Methoden, bei denen die Daten zentralisiert werden, verbleiben sie bei FL an der Quelle, beispielsweise in Krankenhäusern. Dabei wird ein KI-Modell auf verschiedene Knotenpunkte verteilt, wo jeder Knotenpunkt es lokal trainiert, ohne Rohdaten auszutauschen.

Nur die aktualisierten Modellparameter werden an einen zentralen Server gesendet, der sie zusammenfasst, um das Modell zu verbessern und die Einhaltung strenger Datenschutzbestimmungen zu gewährleisten.

Anwendungen in der Medizin

1. Medizinische Bildgebungsdiagnose FL ist besonders nützlich in der Radiologie und Pathologie, wo die Datensätze oft riesig und über verschiedene Einrichtungen verstreut sind.

• Erkennung von Hirntumoren: Ein FL-Modell kann auf MRTs aus verschiedenen Krankenhäusern trainiert werden. Jedes Krankenhaus trainiert das Modell mit seinen eigenen Bildern von Tumoren und gesunden Patienten. Durch die Kombination des Wissens aus den einzelnen Zentren kann das endgültige Modell Tumore mit größerer Genauigkeit erkennen und besser auf verschiedene Arten von Scannern oder Patientenpopulationen verallgemeinert werden.
• Erkennung von Lungenentzündungen anhand von Röntgenbildern: In ähnlicher Weise kann ein Modell lernen, Anzeichen einer Lungenentzündung anhand von Röntgenbildern aus mehreren Kliniken zu erkennen, wodurch die Robustheit des Modells verbessert wird, da es auf verschiedene Darstellungen der Krankheit trainiert wurde.

2. Präzisionsmedizin und Pharmakogenomik

FL kann verwendet werden, um Modelle zu entwickeln, die das Ansprechen eines Patienten auf ein Medikament oder das Risiko einer Krankheit auf der Grundlage seines genetischen Profils vorhersagen.

• Vorhersage der optimalen Arzneimitteldosierung: Verschiedene Krankenhäuser können zusammenarbeiten, um ein Modell zu trainieren, das anhand von genomischen und klinischen Daten die richtige Dosis eines Medikaments für einen Patienten vorhersagt, ohne dass vertrauliche Patientendaten weitergegeben werden müssen.
• Identifizierung von Biomarkern: FL ermöglicht die gemeinsame Analyse großer genomischer und klinischer Datensätze, um Biomarker zu identifizieren, die mit bestimmten Krankheiten wie Krebs in Verbindung stehen.

3. Mobile Gesundheit und Wearable Devices

FL kann verwendet werden, um Modelle zu trainieren, die Daten von tragbaren Geräten (Smartwatches, Aktivitätsmonitore) analysieren, um die Gesundheit von Patienten zu verfolgen.

• Vorhersage von Herzrhythmusstörungen: Ein Modell kann anhand von Elektrokardiogramm-Daten (EKG) trainiert werden, die von mobilen Geräten von Tausenden von Nutzern gesammelt wurden. Mit FL können die Daten auf dem Gerät des Nutzers verbleiben, während das Modell lernt, Muster von Herzrhythmusstörungen wie Vorhofflimmern zu erkennen.

Vergleich mit anderen Technologien

FL stellt einen Paradigmenwechsel dar, der es der künstlichen Intelligenz ermöglicht, ihr volles Potenzial im Gesundheitsbereich auszuschöpfen, indem sie Datenschutzbarrieren überwindet und eine Zusammenarbeit in großem Maßstab ermöglicht. Es ist ein Schlüsselinstrument für den Aufbau robuster, gerechter und nützlicher KI-Modelle für das Gesundheitswesen.

Wir haben eine föderierte Lernplattform für KI entwickelt, die die Privatsphäre schützt.

Wir haben mehrere Partnerschaften und Anwendungsfälle im Gesundheitssektor, die auf unserer Website und in verschiedenen Publikationen vorgestellt werden.

Im Folgenden finden Sie einige Beispiele für die Anwendung unserer föderierten Lernplattform im Gesundheitswesen:

1. Förderung der Diagnose von seltenen Krankheiten 

Dies ist ein Schlüsselbeispiel im Gesundheitswesen. Wir haben mit den National Institutes of Health (NIH) und dem University College London (UCL) zusammengearbeitet. Ihr Ziel ist die Verbesserung der Diagnose von Kollagen-VI-verwandten Dystrophien (COL6-RD), einer seltenen genetischen Krankheit.

• Die Herausforderung: Die Diagnose seltener Krankheiten ist schwierig, weil die Patientendaten knapp sind und über verschiedene Krankenhäuser und Forschungszentren in der ganzen Welt verstreut sind. Die Zentralisierung dieser sensiblen medizinischen Daten würde gegen Datenschutzbestimmungen wie HIPAA und GDPR verstoßen.
• Unsere Lösung: Die Plattform ermöglicht es den NIH und dem UCL, gemeinsam ein maschinelles Lernmodell auf Kollagen-VI-Immunfluoreszenzmikroskopiebildern zu trainieren. Die Daten verlassen nie die Institutionen. Jede Organisation trainiert das Modell mit ihren eigenen Bildern, und nur die Modellaktualisierungen werden gemeinsam genutzt und aggregiert.
• Das Ergebnis: Durch das Training mit einem größeren, vielfältigeren Datensatz wird die Diagnosegenauigkeit des Modells erheblich verbessert, ohne dass ein einziger Patientendatensatz übertragen wird. Dies ist die erste globale Anwendung des föderierten Lernens für die COL6-RD-Diagnose.

2. Kollaborative KI-gestützte Diagnostik

Unsere KI-Plattform wird eingesetzt, um die Zusammenarbeit zwischen Krankenhausnetzwerken zu ermöglichen und gemeinsame Diagnosemodelle für häufigere Erkrankungen zu trainieren.

• Die Herausforderung: Krankenhäuser verfügen oft über eigene Datensätze für Krankheiten wie Lungenkrebs, diabetische Retinopathie oder Alzheimer. Diese isolierten Datensätze sind zwar wertvoll, aber möglicherweise nicht groß oder vielfältig genug, um ein äußerst robustes und verallgemeinerbares KI-Modell zu erstellen.
• Unsere Lösung: Mehrere Krankenhäuser können die Plattform nutzen, um gemeinsam ein Krankheitserkennungsmodell zu trainieren. Jedes Krankenhaus trainiert das Modell lokal anhand seiner eigenen Röntgenbilder, Netzhautbilder oder Patientenakten. Die Plattform synchronisiert die Modellparameter auf sichere Weise.
• Das Ergebnis: Das resultierende Modell ist präziser und effektiver, da es aus einem breiteren Spektrum von Daten gelernt hat, einschließlich verschiedener Populationen, Geräte und Krankheitsformen, und das alles unter Wahrung der Privatsphäre und Sicherheit der Patientendaten innerhalb der Firewall des jeweiligen Krankenhauses.

3. Personalisierte Medizin und Behandlungspläne

Die Plattform erleichtert die Entwicklung von patientenspezifischen Vorhersagemodellen.

• Die Herausforderung: Die Präzisionsmedizin erfordert die Analyse großer Mengen klinischer, genomischer und pharmakologischer Daten, um die Reaktion eines Patienten auf eine bestimmte Behandlung vorherzusagen. Diese Daten sind hochsensibel und liegen in verschiedenen Datensilos vor.
• Unsere Lösung: Krankenhäuser und Forschungszentren können zusammenarbeiten, um Vorhersagemodelle für das Ansprechen auf eine Immuntherapie, z. B. bei Krebspatienten, zu trainieren. Das Modell lernt aus Daten verschiedener Populationen in unterschiedlichen Einrichtungen, ohne dass die sensiblen genetischen oder gesundheitlichen Daten jemals bewegt oder weitergegeben werden.
• Das Ergebnis: Dies ermöglicht die Entwicklung von Therapien, die auf den einzelnen Patienten zugeschnitten sind, wobei die volle Datenkontrolle und die Einhaltung gesetzlicher Vorschriften gewahrt bleiben.

4. Beschleunigung von klinischen Versuchen

Unsere Technologie wird auch eingesetzt, um die medizinische Forschung und klinische Studien zu beschleunigen.

• Die Herausforderung: Bei multizentrischen klinischen Studien müssen häufig Patientendaten über internationale Grenzen hinweg übertragen werden, was aufgrund unterschiedlicher Datenschutzbestimmungen ein langsamer und komplexer Prozess ist.
• Unsere Lösung: Bei einer dezentralen klinischen Studie zur Wirksamkeit eines neuen Medikaments kann ein Modell auf verteilten Daten aus mehreren Zentren trainiert werden, ohne dass Patientendaten über die Grenzen hinweg übertragen werden müssen.
• Das Ergebnis: Der Forschungsprozess wird gestrafft, die Zeit bis zur Markteinführung lebensrettender Therapien verkürzt und die Einhaltung lokaler Datenschutzbestimmungen gewährleistet.

In all diesen Fällen unterstreicht unsere KI-Plattform Federadet die Schlüsselprinzipien des föderalen Lernens: Datensouveränität, Datenschutz durch Design und die Fähigkeit, eine kollektive Intelligenz aus dezentralen Datenquellen aufzubauen.

Darüber hinaus werden Funktionen wie die differenzielle Privatsphäre integriert, um eine zusätzliche Sicherheitsebene zu schaffen, die mathematisch sicherstellt, dass einzelne Datenpunkte nicht aus den gemeinsamen Modellaktualisierungen rekonstruiert werden können.

An der Schnittstelle zwischen föderiertem Lernen und Genomik befassen sich mehrere Forschungsarbeiten und Plattformen mit diesem vielversprechenden Bereich. Die Herausforderung in der Genomik ist besonders akut, da genetische Daten hochsensibel sind und oft in verschiedenen Institutionen untergebracht sind, was eine groß angelegte, kollaborative Forschung erschwert.

Im Folgenden werden einige wichtige Forschungsarbeiten und Plattformen im Zusammenhang mit dem föderalen Lernen in der Genomik vorgestellt:

Wirksamkeit des föderierten Lernens bei genomischen Daten: eine Studie über die UK Biobank und das 1000 Genomes Project

Diese in Frontiers in Big Data veröffentlichte Arbeit liefert grundlegende Erkenntnisse über die Anwendbarkeit des föderierten Lernens auf genomische Daten auf individueller Ebene.

• Wichtiger Beitrag: In der Studie wird direkt untersucht, ob ein föderiertes Modell bei der Vorhersage von Phänotypen aus Genotypen und der Abstammung aus genomischen Daten eine mit einem zentralisierten Modell vergleichbare Leistung erzielen kann. Sie verwenden zwei bekannte und umfangreiche Datensätze, die UK Biobank und das 1000 Genomes Project, um ihre Experimente durchzuführen.
• Die Ergebnisse: Die Forscher zeigen, dass föderierte Modelle, die auf Daten trainiert werden, die in unabhängige "Knoten" aufgeteilt sind (die verschiedene Datensilos simulieren), eine Leistung erzielen, die der eines zentralisierten Modells sehr nahe kommt. Dies ist ein wichtiges Ergebnis, da es beweist, dass die Wahrung der Privatsphäre bei FL nicht unbedingt auf Kosten der Modellgenauigkeit in der Genomik geht. Das Papier untersucht auch die Auswirkungen der Kommunikationsfrequenz zwischen Clients und dem zentralen Server auf die Modellgenauigkeit.

Barrieren in der globalen Genomforschung abbauen

Dies ist ein in der Zeitschrift Genes veröffentlichter Übersichtsartikel, der einen umfassenden Überblick über das Potenzial und die Herausforderungen von FL in der Genomik bietet.

• Wichtiger Beitrag: Dieser Artikel beschreibt die Methodik von FL im Kontext der Genomforschung und erklärt, wie institutionsspezifische Genomdaten (wie FASTQ-, BAM- oder VCF-Dateien) zum Trainieren lokaler Modelle verwendet werden können. Es wird der Prozess der sicheren Aggregation und der iterativen Modellverbesserung erörtert.
• Diskussion: Die Autoren untersuchen die wichtigsten Herausforderungen, wie die Integration heterogener Daten von verschiedenen Sequenzierungsplattformen und die mit FL verbundenen Cybersicherheitsrisiken. Sie erörtern auch, wie FL bei der Einhaltung von Vorschriften wie GDPR helfen kann. Das Papier hebt erfolgreiche Implementierungen hervor und erörtert künftige Richtungen, einschließlich der Integration von FL mit anderen KI-Techniken, um die Präzisionsmedizin voranzubringen.

Demokratisierung klinisch-genomischer Daten: Wie FL-Plattformen den Vorteilsausgleich in der Genomik fördern können

Dieser perspektivische Artikel, der in der Zeitschrift Molecular Systems Biology veröffentlicht wurde, untersucht die Rolle von föderierten Datenplattformen bei der Erleichterung des Zugangs zu genomischen Daten für die Forschung und bei der Förderung des "Benefit Sharing" mit den Teilnehmern.

• Wichtiger Beitrag: In dem Artikel wird argumentiert, dass föderierte Datenplattformen ein Mittel sind, um gleichzeitig Datenzugänglichkeit und Sicherheit zu erreichen. Es wird beschrieben, wie diese Plattformen genutzt werden können, um "vertrauenswürdige Forschungsumgebungen" (TREs), in denen Patientendaten gespeichert sind, virtuell zu verbinden, ohne die Daten physisch zu bewegen.
• Diskussion: Die Autoren erörtern die Governance und die ethischen Überlegungen zu diesen Plattformen und betonen die Notwendigkeit strenger Vorschriften und Akkreditierungssysteme, um das Vertrauen der Öffentlichkeit zu stärken. Sie heben hervor, dass ein wesentlicher Vorteil der Föderation darin besteht, den Zugang zu globalen Datenbeständen zu demokratisieren und die Repräsentation unterrepräsentierter Gruppen in der Genomforschung zu verbessern, da die Sequenzierungsbemühungen nicht immer vielfältig waren.

Föderiertes Lernen ermöglicht Big Data für die Erkennung seltener Krebsarten (aus dem FeTS-Projekt)

Das Projekt Federated Tumor Segmentation (FeTS) konzentriert sich zwar nicht ausschließlich auf die Genomik, ist aber ein Paradebeispiel für eine groß angelegte, institutionenübergreifende föderierte Lernplattform in der Onkologie, die in hohem Maße genomische und klinische Daten einbezieht.

• Wichtiger Beitrag: Die in Nature Communications veröffentlichte Arbeit beschreibt die Zusammenarbeit von Forschern aus 6 Kontinenten und 71 Standorten, um ein Modell für die Segmentierung von Glioblastomen (einem seltenen Hirntumor) zu trainieren.
• Die Ergebnisse: Durch die Verwendung eines FL-Ansatzes konnten die Forscher einen großen und vielfältigen Datensatz von über 6 300 Patienten nutzen, ohne dass die Daten verschoben, integriert oder harmonisiert werden mussten. Dadurch wurden die Genauigkeit und die Verallgemeinerbarkeit des Modells im Vergleich zu Modellen, die auf kleineren Datensätzen einer einzelnen Einrichtung trainiert wurden, erheblich verbessert, was die Leistungsfähigkeit von FL bei seltenen Krankheiten mit knappen und verteilten Daten unter Beweis stellt.

Unsere KI-Plattform ermöglicht ein sicheres

kollaboratives KI-Modelltraining auf genomischen Daten, ohne dass die Daten zentralisiert oder geteilt werden müssen. Diese Fähigkeit ist von entscheidender Bedeutung, da genomische Daten hochsensibel sind und aufgrund strenger Datenschutzbestimmungen und institutioneller Firewalls oft isoliert werden.

Hier sind die wichtigsten Fähigkeiten unserer KI-Plattform für die Genomik:

Forschungszusammenarbeit unter Wahrung der Privatsphäre

Der Hauptvorteil der Plattform besteht darin, dass sie die gemeinsame Forschung zwischen mehreren Institutionen - wie Krankenhäusern, Universitäten und Forschungszentren - erleichtert, ohne die Privatsphäre der Patienten zu gefährden.

Anstatt genomische Rohdaten zusammenzuführen, sendet die Plattform das KI-Modell an die Datensilos der einzelnen Einrichtungen. Das Modell wird lokal trainiert, und nur die verschlüsselten Modellaktualisierungen werden an einen zentralen Server zurückgeschickt. Dieser Prozess wird so lange wiederholt, bis ein globales, hochpräzises Modell erstellt ist.

• Praktisches Beispiel: Das Unternehmen hat eine bemerkenswerte Partnerschaft mit den National Institutes of Health (NIH) und dem University College London (UCL). Sie nutzten die Plattform, um ein Modell für die Diagnose von Kollagen-VI-bezogenen Dystrophien (COL6-RD), einer seltenen genetischen Erkrankung, zu trainieren. Durch das Training mit Mikroskopiebildern aus beiden Einrichtungen konnte das Modell seine Diagnosegenauigkeit verbessern, ohne dass die Patientendaten jemals ihre Quelle verlassen haben.

Überwindung der Datenknappheit bei seltenen Krankheiten

Genomische Daten für seltene Krankheiten sind von Natur aus knapp und über verschiedene Standorte auf der ganzen Welt verstreut. Die Plattform trägt zur Überwindung dieser Herausforderung bei, indem sie es den Forschern ermöglicht, gemeinsam einen größeren, vielfältigeren Trainingsdatensatz virtuell zu erstellen.

• Vorteil: So können robustere und verallgemeinerungsfähigere Modelle erstellt werden, als dies für eine einzelne Einrichtung möglich wäre. Bei Krankheiten, für die es weltweit nur ein paar Dutzend Fälle gibt, kann das föderierte Lernen einen entscheidenden Unterschied machen, indem es das "Wissen" dieser verstreuten Fälle in einem einzigen, leistungsstarken KI-Tool vereint.

Einhaltung gesetzlicher Vorschriften

Genomische Daten unterliegen einigen der strengsten Datenschutzgesetze, darunter HIPAA in den USA und GDPR in Europa. Unsere Federadet-Lösung wurde unter Berücksichtigung dieser Vorschriften entwickelt.

• Wie sie funktioniert: Da die Rohdaten die institutionelle Firewall nie verlassen, verringert die Plattform das Risiko von Datenschutzverletzungen erheblich und vereinfacht die rechtlichen und administrativen Komplexitäten des grenzüberschreitenden Datenaustauschs, so dass die Einhaltung aller Vorschriften gewährleistet ist.

Ermöglichung personalisierter Medizin

Die Plattform kann für die Entwicklung von Vorhersagemodellen für die personalisierte Medizin genutzt werden . Diese Modelle können genomische, klinische und Lebensstildaten analysieren, um das Krankheitsrisiko eines Patienten oder seine wahrscheinliche Reaktion auf ein bestimmtes Medikament vorherzusagen.

• Anwendung: Forscher können gemeinsam Modelle trainieren, um genomische Biomarker zu identifizieren, die mit einer bestimmten Krankheit oder der Wirksamkeit einer Behandlung in Verbindung stehen, ohne dass jede Einrichtung sensible Patientendaten weitergeben muss. Dies trägt dazu bei, die Entwicklung von personalisierten Therapien und Behandlungsplänen zu beschleunigen.

Entfalten Sie die Kraft von Daten und KI

Warten Sie nicht länger und buchen Sie eine Demo mit uns. Einer unserer Experten wird Ihnen eine auf Ihre Bedürfnisse zugeschnittene Plattformdemonstration anbieten, einschließlich Empfehlungen zur sicheren Implementierung unserer Lösung, um den Wert für Ihr Unternehmen zu steigern.

• Definieren Sie Ihren individuellen Anwendungsfall
• Arbeiten Sie auf eine bessere Nutzung Ihrer Daten hin
• Trainieren Sie Ihr Modell unter Wahrung der Privatsphäre