Medizinische Daten werden im Alltag in Krankenhäusern und im Gesundheitssektor generiert und gespeichert. Aus Datensicherheits- und Datenschutzgründen ist die Verwendung solcher Daten für die Entwicklung von auf künstlicher Intelligenz- (KI) basierenden Diagnosemodellen sehr komplex. Mit diesem Service bieten wir eine Methode für das kollaborative Training von KI-Modellen auf Daten aus verschiedenen Quellen an, die bei der Einhaltung von Datensicherheits- und Datenschutzrichtlinien hilft.
Stand der Technik
Federated Learning (FL) ist eine Methode zum Trainieren von KI-Modellen auf verteilten Daten. FL ermöglicht dabei, dass mehrere Geräte oder Parteien auf ihrem lokalen Datensatz trainieren, ohne, dass die Daten das Unternehmen oder Gerät verlassen. Das ist besonders nützlich in Szenarien, in denen die Daten sehr sensibel oder verteilt sind, wie in der Medizin.
Technologie
Das technische Grundprinzip von FL besteht darin, dass jede Partei ausschließlich mit den eigenen, lokalen Daten trainiert. Nur die Gewichte des Modells werden dann von allen Parteien aggregiert und aktualisiert. Dieser Prozess wird mehrfach, bis zur Konvergenz, wiederholt. Insbesondere in der Medizin kann FL verwendet werden, um KI Modelle auf elektronischen Gesundheitsdaten (EHRs) unterschiedlicher Einrichtungen zu trainieren, um Behandlungsergebnisse oder Diagnosen zu prognostizieren. Zum Beispiel könnten eine Gruppe von Krankenhäusern zusammenarbeiten, um ein Modell zu trainieren, das die Wahrscheinlichkeit von Krankenhausrückübernahmen für Patienten mit chronischen Erkrankungen vorhersagen kann. Das KI-Modell könnte auf den Gesundheitsdaten jedes, teilnehmenden Krankenhauses trainiert werden. Wodurch, im Vergleich zu einem rein lokal trainiertem KI Modell, ein wesentlich genaueres Modell erreicht werden kann.
Vorteile
Ein wichtiger Vorteil von FL ist, dass es bei der Einhaltung von Datenschutz- und Datensicherheitsrichtlinien unterstützt, während trotzdem effektives Training möglich ist. Jeder Teilnehmer teilt nur seine lokalen Modellupdates und nicht die Rohdaten, was helfen kann, sensitive Information zu schützen. Darüber hinaus reduziert FL die Menge an Daten, die über die Netzwerkverbindung übertragen werden müssen, was besonders wichtig ist, wenn die Bandbreite begrenzt ist. Durch die Stärken von FL können im Gesundheitssektor und in der Medizin wertvolle Erkenntnisse aus bereits vorhandenen Daten gewonnen werden, um Behandlungsergebnisse zu verbessern.
Kontakt: c.barakat [at] fz-juelich.de
