Een algoritme ontwikkeld door onderzoekers van Helmholtz München, de Technische Universiteit van München (TUM) en het Universitair Ziekenhuis rechts der Isar, het Universitair Ziekenhuis Bonn (UKB) en de Universiteit van Bonn kan onafhankelijk leren in verschillende medische instellingen. Het belangrijkste kenmerk is dat het zelflerend is, wat betekent dat er geen uitgebreide, tijdrovende bevindingen of markeringen door radiologen in de MRI-beelden nodig zijn.

Dit federatieve algoritme is getraind op meer dan 1.500 MRI-scans van gezonde deelnemers aan de studie van vier instellingen met behoud van de gegevensprivacy. Het algoritme werd vervolgens gebruikt om meer dan 500 MRI-scans van patiënten te analyseren om ziekten zoals multiple sclerose, vaatziekten en verschillende vormen van hersentumoren te detecteren die het algoritme nog nooit eerder had gezien. Dit opent nieuwe mogelijkheden voor het ontwikkelen van efficiënte, op AI gebaseerde federatieve algoritmen die autonoom leren en tegelijkertijd de privacy beschermen. De studie is nu gepubliceerd in het tijdschrift Nature Machine Intelligence.

De gezondheidszorg wordt momenteel gerevolutioneerd door kunstmatige intelligentie. Met nauwkeurige AI-oplossingen kunnen artsen worden ondersteund bij de diagnose. Dergelijke algoritmen vereisen echter een aanzienlijke hoeveelheid gegevens en de bijbehorende radiologische specialistische bevindingen voor training. Het opzetten van zo'n grote, centrale database stelt echter bijzondere eisen aan de gegevensbescherming. Daarnaast is het maken van de bevindingen en annotaties, bijvoorbeeld het markeren van tumoren in een MRI-beeld, erg tijdrovend.

Om deze uitdagingen het hoofd te bieden, werkte een multidisciplinair team van Helmholtz München, het Universitair Ziekenhuis Bonn en de Universiteit van Bonn samen met clinici en onderzoekers van het Imperial College London en de TUM en het Universitair Ziekenhuis rechts der Isar. Het doel was om een ​​op AI gebaseerd medisch diagnostisch algoritme te ontwikkelen voor MRI-beelden van de hersenen, zonder enige aantekening of bewerking door een radioloog. Bovendien moest dit algoritme "federaal" worden getraind:op deze manier komt het algoritme "naar de gegevens", zodat de medische beeldgegevens die speciale bescherming nodig hebben, in de betreffende kliniek konden blijven en niet centraal hoefden te worden verzameld.

Leren van verschillende instituten zonder gegevensuitwisseling

In hun onderzoek konden de onderzoekers aantonen dat het gefedereerde AI-algoritme dat ze ontwikkelden beter presteerde dan elk AI-algoritme dat was getraind met alleen gegevens van een enkele instelling. "In zijn 'The Wisdom of Crowds' betoogde James Surowiecki dat grote groepen mensen slimmer zijn, hoe slim een ​​individu ook is. Dit is in feite hoe ons gefedereerde AI-algoritme werkt", zegt Prof. Dr. Shadi Albarqouni, Hoogleraar Computational Medical Imaging Research bij de afdeling Diagnostische en Interventionele Radiologie van het Universitair Ziekenhuis Bonn en Helmholtz AI junior onderzoeksgroepleider bij Helmholtz München. Om kennis over MRI-beelden van de hersenen te bundelen, heeft het onderzoeksteam het AI-algoritme getraind in verschillende en onafhankelijke medische instellingen zonder de privacy van gegevens te schenden of centraal gegevens te verzamelen.

"Zodra dit algoritme leert hoe MRI-beelden van de gezonde hersenen eruit zien, zal het gemakkelijker voor het zijn om ziekten op te sporen. Om dit te bereiken is intelligente computationele aggregatie en coördinatie tussen de deelnemende instituten nodig", zegt prof. dr. Albarqouni. PD Dr. Benedikt Wiestler, senior arts bij het Universitair Ziekenhuis rechts der Isar van de TUM en ook betrokken bij het onderzoek. Hij voegt eraan toe dat "het trainen van het model op gegevens uit verschillende centra aanzienlijk bijdraagt ​​aan het feit dat ons algoritme ziekten veel robuuster detecteert dan andere algoritmen die alleen worden getraind met gegevens van één centrum."

Naar betaalbare collaboratieve AI-oplossingen

Door patiëntgegevens te beschermen en tegelijkertijd de werklast van radiologen te verminderen, denken de onderzoekers dat hun gefedereerde AI-technologie de digitale geneeskunde aanzienlijk zal bevorderen.

"AI en gezondheidszorg moeten betaalbaar zijn, en dat is ons doel. Met ons onderzoek hebben we een stap in die richting gezet", zegt prof.dr. Albarqouni. "Ons belangrijkste doel is om AI-algoritmen te ontwikkelen, gezamenlijk getraind in verschillende, gedecentraliseerde medische instituten, inclusief die met beperkte middelen." + Verder verkennen

Nieuwe AI-technologie beschermt privacy in zorginstellingen