News • Onkologische Datensätze

Klüger im Schwarm: Dezentrale KI gegen Darmkrebs

Ein Forscherteam um Jun.-Prof. Dr. 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.

portrait of jakob nikolas kather
Jun.-Prof. Dr. Jakob Nikolas Kather, Assistenzarzt und Wissenschaftler der Klinik für Gastroenterologie, Stoffwechselerkrankungen und Internistische Intensivmedizin an der Uniklinik RWTH Aachen

Bildquelle: Uniklinik RWTH Aachen

Die Ergebnisse wurden nun im 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 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 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. 


Quelle: Uniklinik RWTH Aachen

27.04.2022

Mehr aktuelle Beiträge lesen

Verwandte Artikel

Photo

News • KI-Ansatz gegen Darmkrebs

Deep Learning erkennt molekulare Muster von Krebs

Eine neue KI-Plattform kann genomische Daten extrem schnell analysieren. Sie filtert wesentliche Muster heraus, um Darmkrebs zu klassifizieren und die Entwicklung von Wirkstoffen zu verbessern.

Photo

News • Präzisions-Onkologie

Früherkennung von Krebs: "Die Methode steht!"

Die Früherkennung entstehender Tumoren und die engmaschige Überwachung von Krebstherapien sind für das Überleben von Patienten entscheidend. PSI-Forscher berichten über einen Durchbruch in…

Photo

News • Biomarker-basierte Vorhersage

Darmkrebs: Mit KI in Richtung Präzisionsonkologie

Zum ersten Mal zeigen Forschende, dass KI-basierte Vorhersagen vergleichbare Ergebnisse wie klinische Tests an Biopsien von Darmkrebs-Patienten liefern können.

Verwandte Produkte

Newsletter abonnieren