Einsatz von Schwarmlernen für dezentrale Künstliche Intelligenz in der Onkologie

Das Forscherteam um Jun.-Prof. Dr. med. Jakob Nikolas Kather, Assistenzarzt und Wissenschaftler der Klinik für Gastroenterologie, Stoffwechselerkrankungen und Internistische Intensivmedizin an der Uniklinik RWTH Aachen, hat den erfolgreichen Einsatz von Swarm Learning – das sogenannte Schwarmlernen (SL) – in großen, multizentrischen Datensätzen im Bereich Darmkrebs nachgewiesen. Die Ergebnisse wurden nun im renommierten Journal „Nature Medicine“ veröffentlicht.

Künstliche Intelligenz (KI) kann klinisch verwertbare Informationen aus medizinischen Bilddaten auslesen. Im Bereich von pathologischen Bilddaten kann KI eingesetzt werden, um das Vorhandensein genetischer Veränderungen direkt anhand von routinemäßig angefertigten Gewebeschnitten vorherzusagen. Diese genetischen Veränderungen beeinflussen die Wahl einer optimalen Therapie, sind also für Patientinnen und Patienten mit Tumorerkrankungen enorm relevant. Das Training robuster KI-Systeme erfordert jedoch große Datensätze, deren Sammlung mit praktischen, ethischen und rechtlichen Hindernissen verbunden ist. Diese Hindernisse könnten durch Schwarmlernen überwunden werden. Beim Schwarmlernen handelt es sich um einen dezentralen Ansatz für den Einsatz Künstlicher Intelligenz, bei dem Datensicherheit, Datenschutz die Datenvertraulichkeit ohne die Notwendigkeit eines zentralen Koordinators gewahrt wird. Die beteiligten Partner trainieren gemeinsam KI-Modelle und vermeiden gleichzeitig Datentransfer und monopolistische Datenverwaltung.

„Anhand von Daten von über 5.000 Patientinnen und Patienten konnten wir zeigen, dass KI-Modelle, die mit Swarm Learning trainiert wurden, klinisch relevante genetische Veränderungen direkt aus Standardpräparaten von Gewebe aus Tumoren des Dickdarms vorhersagen können“, erklärt Prof. Kather die Ergebnisse seiner Arbeit.

Die Wissenschaftlerinnen und Wissenschaftler haben KI-Modelle an drei Patientenkohorten aus Nordirland, Deutschland und den Vereinigten Staaten von Amerika trainiert und die Vorhersageleistung in zwei unabhängigen Datensätzen aus dem Vereinigten Königreich unter Verwendung von SL-basierten KI-Modellen validiert. „Unsere Daten zeigen, dass wir mit SL KI-Modelle trainieren können, die die meisten lokal trainierten Modelle übertreffen, und gleich gut abschneiden wie Modelle, die zentral auf den zusammengeführten Datensätzen trainiert wurden. Darüber hinaus zeigen wir, dass diese KI-Modelle dateneffizient sind und eine robuste Leistung beibehalten, selbst wenn nur Teilmengen lokaler Datensätze für das Training verwendet werden“, so Prof. Kather. Zukünftig kann SL in der Medizin dazu dienen, verteilte KI-Modelle für beliebige Bildanalyseaufgaben zu trainieren. Auf diese Weise ist es möglich, die Notwendigkeit der Datenübertragung zu überwinden, ohne dass Institutionen die Kontrolle über das endgültige KI-Modell aufgeben müssen.