Krankenhäuser verfügen jeweils nur über begrenzte Mengen geeigneter Bilddaten. Für robuste KI-Modelle wären jedoch Aufnahmen aus unterschiedlichen Kliniken, Geräten und Behandlungsabläufen hilfreich. Forschende des Karlsruher Instituts für Technologie (KIT) haben deshalb untersucht, wie sich ein Modell gemeinsam trainieren lässt, ohne die medizinischen Bilder zwischen den Einrichtungen auszutauschen.
Das Prinzip heißt föderiertes Lernen: Jede beteiligte Stelle trainiert eine lokale Kopie des Modells mit ihren eigenen Daten. Ausgetauscht werden anschließend nur Modellanpassungen, die zu einer gemeinsamen Version zusammengeführt werden. Die Rohdaten sollen in der jeweiligen Klinik bleiben.
Das Modell erzeugt synthetische CT-Bilder
Im Mittelpunkt steht die Planung von Strahlentherapien im Kopf-Hals-Bereich. Die Forschenden ließen das Modell aus Cone-Beam-CT-Aufnahmen synthetische CT-Bilder erzeugen. Solche Aufnahmen könnten künftig helfen, anatomische Veränderungen während einer Behandlung genauer zu berücksichtigen und zusätzliche Bildgebung zu reduzieren.
Für die aktuelle Untersuchung wurden Daten von insgesamt 251 Personen aus vier europäischen Zentren verwendet. Drei Datensätze flossen in das föderierte Training ein; ein vierter Datensatz mit 60 Personen diente als externe Prüfung. Die Geräte und Aufnahmeparameter unterschieden sich zwischen den Zentren. Gerade diese Unterschiede sind wichtig, weil ein Modell nicht nur mit Bildern eines einzigen Scanners funktionieren darf.
Die Ergebnisse zeigen, dass das gemeinsam trainierte Modell auch beim externen Datensatz vergleichbare Bildqualitätswerte erreichte. Das belegt technische Übertragbarkeit innerhalb des untersuchten Materials. Ob die synthetischen Bilder für konkrete Dosisberechnungen und Therapieentscheidungen zuverlässig genug sind, wurde damit jedoch noch nicht klinisch nachgewiesen.
Der Versuch bildete noch kein Kliniknetz im Alltag ab
Die Bezeichnung „klinikenübergreifend“ braucht eine Einschränkung: Die Experimente liefen als Prototyp auf einem einzelnen Rechensystem mit bereits für eine öffentliche Forschungsaufgabe aufbereiteten Datensätzen. Die Software enthielt zwar Funktionen für verschlüsselte Kommunikation, Wiederverbindung und das Fortsetzen unterbrochener Trainingsläufe. Ein dauerhaftes Netz realer Kliniken wurde in dieser Studie aber nicht betrieben.
Auch die Daten waren vorverarbeitet. Unter anderem waren die Bildserien registriert und anonymisiert worden. Verbleibende Abweichungen zwischen den Aufnahmen beeinflussten die Bewertungswerte. Die Studie zeigt damit einen möglichen technischen Weg, nicht die vollständige Integration in Krankenhaus-IT, Datenschutzprozesse und Medizinprodukte-Zulassung.
Föderiertes Lernen schützt Daten nicht automatisch
Dass Rohdaten an ihrem Ursprungsort bleiben, beseitigt nicht jedes Sicherheitsrisiko. In einer weiteren Untersuchung prüfte das Team Angriffe, bei denen Informationen aus ausgetauschten Modellwerten rekonstruiert oder das gemeinsame Modell gezielt manipuliert werden sollen. Bei einem untersuchten Rekonstruktionsangriff waren nur grobe anatomische Strukturen erkennbar, keine klinisch identifizierbaren Details. Dieses Ergebnis gilt jedoch nur für die getestete Konfiguration.
Die Forschenden erprobten deshalb zusätzliche Schutzmechanismen, darunter sichere Aggregation und robustere Verfahren zum Zusammenführen der Modellwerte. Für einen realen Einsatz müssten Kliniken Bedrohungsmodelle, Zugriffsrechte, Verschlüsselung und Überwachung gemeinsam festlegen. „Daten bleiben vor Ort“ ist ein wichtiger Baustein, aber kein vollständiger Sicherheitsnachweis.
Weniger Rechenaufwand ist noch kein Behandlungsvorteil
Eine ergänzende Studie untersuchte den Energiebedarf des Trainings. Teile des Modells wurden eingefroren, sobald sich ihre Werte über mehrere Trainingsrunden kaum noch änderten. Je nach Architektur sanken Trainingszeit, Energieverbrauch und rechnerische CO₂-Emissionen um bis zu 23 Prozent. Bei drei von fünf getesteten Architekturen zeigte sich dabei kein statistisch signifikanter Unterschied in der gemessenen Bildqualität; zwei Varianten schnitten sogar besser ab.
Das kann kleineren Einrichtungen helfen, weil sie oft weniger Rechenleistung besitzen. Der Befund sagt aber nichts darüber aus, ob Behandlungen genauer, sicherer oder erfolgreicher werden. Dafür wären prospektive klinische Prüfungen, Dosisvergleiche und eine Bewertung in tatsächlichen Arbeitsabläufen erforderlich.
Der aktuelle Forschungsstand endet deshalb vor der Behandlung: Das Verfahren kann aus verteilten Bilddaten lernen und zentrale technische Hürden adressieren. Einen Nachweis, dass es zusätzliche CT-Aufnahmen bereits ersetzen oder Therapieentscheidungen eigenständig tragen kann, liefern die Studien nicht.
