En algoritm utvecklad av forskare från Helmholtz München, Münchens tekniska universitet (TUM) och dess universitetssjukhus rechts der Isar, universitetssjukhuset Bonn (UKB) och universitetet i Bonn kan lära sig oberoende av olika medicinska institutioner. Nyckelfunktionen är att den är självlärande, vilket innebär att den inte kräver omfattande, tidskrävande fynd eller markeringar av radiologer i MRI-bilderna.

Denna federerade algoritm tränades på mer än 1 500 MRI-skanningar av friska studiedeltagare från fyra institutioner samtidigt som dataintegriteten bibehölls. Algoritmen användes sedan för att analysera mer än 500 patient-MR-undersökningar för att upptäcka sjukdomar som multipel skleros, kärlsjukdomar och olika former av hjärntumörer som algoritmen aldrig hade sett tidigare. Detta öppnar för nya möjligheter för att utveckla effektiva AI-baserade federerade algoritmer som lär sig självständigt samtidigt som integriteten skyddas. Studien har nu publicerats i tidskriften Nature Machine Intelligence.

Hälso- och sjukvården revolutioneras för närvarande av artificiell intelligens. Med exakta AI-lösningar kan läkare stödjas vid diagnos. Sådana algoritmer kräver dock en avsevärd mängd data och tillhörande fynd från radiologiska specialister för utbildning. Skapandet av en så stor central databas ställer dock särskilda krav på dataskyddet. Dessutom är skapandet av fynden och anteckningar, till exempel markering av tumörer i en MRI-bild, mycket tidskrävande.

För att övervinna dessa utmaningar samarbetade ett tvärvetenskapligt team från Helmholtz München, universitetssjukhuset Bonn och universitetet i Bonn med kliniker och forskare vid Imperial College London och TUM och dess universitetssjukhus rechts der Isar. Syftet var att utveckla en AI-baserad medicinsk diagnostisk algoritm för MRI-bilder av hjärnan, utan några data kommenterade eller bearbetade av en radiolog. Vidare skulle denna algoritm tränas "federalt":På så sätt "kommer algoritmen till datan", så att de medicinska bilddata som kräver särskilt skydd kunde finnas kvar på respektive klinik och inte behövde samlas in centralt.

Lärande från flera institut utan datautbyte

I sin studie kunde forskarna visa att den federerade AI-algoritmen de utvecklade överträffade alla AI-algoritmer som tränats med endast data från en enda institution. "I sin 'The Wisdom of Crowds' hävdade James Surowiecki att stora grupper av människor är smartare, oavsett hur smart en individ kan vara. I grund och botten är det så här vår federerade AI-algoritm fungerar", säger Prof. Dr. Shadi Albarqouni, Professor i Computational Medical Imaging Research vid avdelningen för diagnostisk och interventionell radiologi vid universitetssjukhuset Bonn och Helmholtz AI junior forskargruppledare vid Helmholtz München. För att samla kunskap om MRI-bilder av hjärnan tränade forskargruppen AI-algoritmen i olika och oberoende medicinska institutioner utan att kränka dataintegriteten eller samla in data centralt.

"När den här algoritmen lär sig hur MRI-bilder av den friska hjärnan ser ut, kommer det att bli lättare för den att upptäcka sjukdomar. För att uppnå detta krävs intelligent beräkningsaggregation och samordning mellan de deltagande instituten", säger Prof. Dr. Albarqouni. PD Dr Benedikt Wiestler, överläkare vid TUMs universitetssjukhus rechts der Isar och även involverad i studien. Han tillägger att "att träna modellen på data från olika centra bidrar väsentligt till att vår algoritm upptäcker sjukdomar mycket mer robust än andra algoritmer som bara tränas med data från ett center."

Mot prisvärda samarbetande AI-lösningar

Genom att skydda patientdata och samtidigt minska radiologernas arbetsbelastning tror forskarna att deras federerade AI-teknik kommer att avsevärt främja digital medicin.

"AI och hälsovård ska vara överkomliga, och det är vårt mål. Med vår studie har vi tagit ett steg i den här riktningen", säger Prof. Dr. Albarqouni. "Vårt främsta mål är att utveckla AI-algoritmer, som tränas i samarbete vid olika, decentraliserade medicinska institut, inklusive de med begränsade resurser." + Utforska vidare

Ny AI-teknik skyddar integriteten i vårdmiljöer