AI-teknologi til MR-dataanalyse af Prof. Dr. Shadi Albarqouni, professor i Computational Medical Imaging Research på University Hospital Bonn og Helmholtz AI Junior Research Group Leader ved Helmholtz München. Kredit:Johann F. Saba, Universitetshospitalet Bonn (UKB)
En algoritme udviklet af forskere fra Helmholtz München, det tekniske universitet i München (TUM) og dets universitetshospital rechts der Isar, universitetshospitalet Bonn (UKB) og universitetet i Bonn er i stand til at lære uafhængigt på tværs af forskellige medicinske institutioner. Nøglefunktionen er, at den er selvlærende, hvilket betyder, at den ikke kræver omfattende, tidskrævende fund eller markeringer af radiologer på MR-billederne.
Denne fødererede algoritme blev trænet på mere end 1.500 MRI-scanninger af raske undersøgelsesdeltagere fra fire institutioner, samtidig med at databeskyttelsen blev bevaret. Algoritmen blev derefter brugt til at analysere mere end 500 patient-MR-scanninger for at opdage sygdomme som multipel sklerose, vaskulær sygdom og forskellige former for hjernetumorer, som algoritmen aldrig havde set før. Dette åbner op for nye muligheder for at udvikle effektive AI-baserede fødererede algoritmer, der lærer selvstændigt og samtidig beskytter privatlivets fred. Studiet er nu blevet publiceret i tidsskriftet Nature Machine Intelligence.
Sundhedsvæsenet bliver i øjeblikket revolutioneret af kunstig intelligens. Med præcise AI-løsninger kan læger støttes i diagnosticering. Sådanne algoritmer kræver dog en betydelig mængde data og de tilhørende radiologiske specialistfund til træning. Oprettelsen af en så stor central database stiller dog særlige krav til databeskyttelse. Derudover er oprettelsen af fundene og annoteringerne, for eksempel markeringen af tumorer i et MR-billede, meget tidskrævende.
For at overvinde disse udfordringer samarbejdede et tværfagligt team fra Helmholtz München, Universitetshospitalet Bonn og Universitetet i Bonn med klinikere og forskere ved Imperial College London og TUM og dets Universitetshospital rechts der Isar. Målet var at udvikle en AI-baseret medicinsk diagnostisk algoritme til MR-billeder af hjernen uden nogen data kommenteret eller behandlet af en radiolog. Endvidere skulle denne algoritme trænes "føderalt":På den måde "kommer algoritmen til dataene", så de medicinske billeddata, der kræver særlig beskyttelse, kunne forblive i den respektive klinik og ikke skulle indsamles centralt.
Lære fra flere institutter uden dataudveksling
I deres undersøgelse var forskerne i stand til at vise, at den fødererede AI-algoritme, de udviklede, overgik enhver AI-algoritme, der blev trænet ved kun at bruge data fra en enkelt institution. "I hans 'The Wisdom of Crowds' argumenterede James Surowiecki for, at store grupper af mennesker er klogere, uanset hvor smart et individ måtte være. Grundlæggende er det sådan, vores fødererede AI-algoritme fungerer," siger prof. Dr. Shadi Albarqouni, Professor i Computational Medical Imaging Research ved Institut for Diagnostisk og Interventionel Radiologi på Universitetshospitalet Bonn og Helmholtz AI junior forskningsgruppeleder ved Helmholtz München. For at samle viden om MR-billeder af hjernen trænede forskerholdet AI-algoritmen i forskellige og uafhængige medicinske institutioner uden at krænke databeskyttelsen eller indsamle data centralt.
"Når først denne algoritme lærer, hvordan MR-billeder af den raske hjerne ser ud, vil det være lettere for den at opdage sygdom. For at opnå dette kræver intelligent beregningsmæssig aggregering og koordinering mellem de deltagende institutter," siger prof. Dr. Albarqouni. PD Dr. Benedikt Wiestler, overlæge ved TUM's Universitetshospital rechts der Isar og også involveret i undersøgelsen. Han tilføjer, at "træning af modellen på data fra forskellige centre bidrager væsentligt til, at vores algoritme detekterer sygdomme meget mere robust end andre algoritmer, der kun trænes med data fra ét center."
Mod overkommelige samarbejdsløsninger til kunstig intelligens
Ved at beskytte patientdata og samtidig reducere radiologers arbejdsbyrde, mener forskerne, at deres fødererede AI-teknologi vil forbedre digital medicin betydeligt.
"AI og sundhedspleje skal være overkommelige, og det er vores mål. Med vores undersøgelse har vi taget et skridt i denne retning," siger prof. Dr. Albarqouni. "Vores hovedmål er at udvikle AI-algoritmer, som er trænet i samarbejde på forskellige, decentraliserede medicinske institutter, inklusive dem med begrænsede ressourcer." + Udforsk yderligere