Derzeit gibt es zwar einige universitäre Einrichtungen, die Maschinenlernalgorithmen in der Radiologie etwas intensiver einsetzen, etwa bei der Bestimmung des Knochenalters, bei der Befundung oder Vorbefundung von Röntgen-Thorax-Aufnahmen oder beim Auszählen von MS-Herden. In der breiten Versorgung ist die radiologische KI aber noch längst nicht angekommen. Das hat mehrere Gründe. Zum einen funktioniert längst nicht jeder Algorithmus in jeder Einrichtung gleich gut. Zum anderen mangelt es oft noch an technischer Interoperabilität.
Aufwändige Pseudonymisierung
Was tun? Das Unternehmen Telepaxx hat jetzt einen Algorithmen-Marktplatz eröffnet, der antritt, diese Probleme wenn nicht zu lösen so doch zumindest anzugehen: „Die Idee ist schon etwas älter. Wir haben im deutschsprachigen Raum über 600 dezentrale Server, die von medizinischen Einrichtungen für die Langzeitarchivierung genutzt werden. Die sind natürlich ein interessantes Trainingsfeld für radiologische Classifier“, betonte Thomas Pettinger von Telepaxx im Gespräch mit E-HEALTH-COM.
Das Einverständnis der jeweiligen Einrichtungen vorausgesetzt können Forscher und Startups künftig die Datenschätze einzelner Einrichtungen nutzen, um Algorithmen zu entwickeln und zu trainieren. Dem Datenschutz wird dabei durch aufwändige Pseudonymisierungsverfahren Rechnung getragen. Validierte Classifier können über die Cloud-Infrastruktur dann den Anwendern zur Verfügung gestellt werden, die sie bei Interesse und entsprechender Bezahlung dann nutzen können.
Gehen Algorithmen bald auf Bildungsreise?
Ein Selbstläufer sind solche Konzepte natürlich nicht. „Viele der Datensätze sind für ein Training von Classifiern gar nicht so gut geeignet, da der Befund oft nur beschreibt, was für wichtig gehalten wir“, so Pettinger. Manche Radiologen befunden deswegen ihre Studien sogar nach, um den Algorithmen das Training zu erleichtern.
Ein zweites Problem sind die heterogenen IT- und Techniklandschaften in den unterschiedlichen Einrichtungen: „Nur weil ein Classifier an der Universität und mit dem modernsten CT-Gerät auf Facharztniveau agiert, heißt das noch lange nicht, dass das auch in der Breite funktioniert. Da rauschen Sensitivität und Spezifität oft erstaunlich rasch in den Keller.“
Ein Ansatz, mit dem dieses Problem möglicherweise angegangen werden könnte, trägt in der KI-Forschung den Namen „föderiertes Lernen“. Dabei werden Algorithmen quasi auf Bildungsreise geschickt: Sie werden in der Einrichtung, in der sie zum Einsatz kommen sollen, noch einmal nachtrainiert, ähnlich wie Spracherkennung an den Sprecher adaptiert wird. Dazu allerdings wären dann Trainingseinheiten vor Ort nötig, inklusive der dazu erforderlichen Grafikkarten.