Bedeutsame Erkenntnisse aus der radiologischen Forschung

Deep Learning (DL) ist ein wichtiger Bestandteil der radiologischen Bildanalyse geworden. Um diese Deep-Learning-Modelle zu trainieren, ist der Zugang zu großen und vielfältigen Datensätzen erforderlich. Die Verwendung eines zentralisierten Datenspeichers wäre zwar am praktischsten, doch wird dieser Ansatz häufig durch Datenschutzbestimmungen erschwert. 

Federated Learning (FL) erleichtert das kollaborative Modelltraining, ohne die Daten zu zentralisieren. Trotz seines Potenzials werden die meisten FL-Studien aufgrund praktischer Herausforderungen in simulierten Umgebungen durchgeführt und nur in begrenztem Umfang in der realen Welt implementiert. Infolgedessen sind FL-Projekte in der Praxis (insbesondere in der Radiologie) selten. Darüber hinaus vernachlässigen diese wenigen bestehenden Initiativen oft die Kommunikation ihrer Erkenntnisse zur Überwindung dieser Hürden, was zu einer erheblichen Wissenslücke führt.

Diese Studie [1] will die Lücke zwischen simulierter und realer FL-Forschung schließen. Sie gibt einen Überblick über die FL-Literatur und beschreibt die Entwicklung einer FL-Infrastruktur innerhalb des Deutschen Radiologischen Kooperationsnetzwerks (RACOON), ein Projekt des Netzwerk Universitätsmedizin (NUM). Das RACOON-Projekt widmet sich der Nutzung von künstlicher Intelligenz (KI), um die Forschung in der radiologischen Diagnose und Therapie in 38 deutschen Universitätskliniken zu verbessern. Als Teil dieser Initiative ist jedes Krankenhaus mit der strukturierten radiologischen Befundungssoftware mint Lesion™ ausgestattet.

Zu ihrer Studie erklären die Forscher: „Im Rahmen des German Radiological Cooperative Network (RACOON) haben wir die erste bundesweite FL-Initiative ihrer Art aufgebaut und etabliert, die alle 38 Universitätskliniken des Landes umfasst. Wir haben die Funktionalität der FL-Initiative evaluiert, indem wir reale FL-Experimente durchgeführt haben, um gemeinsam DL-Segmentierungsmodelle auf radiologischen Bilddaten in sechs Universitätskliniken zu trainieren. Diese Einrichtung bietet eine gebrauchsfertige Infrastruktur für künftige Forscher, die klinische Forschung mit FL betreiben können, ohne ihre eigenen Systeme entwickeln zu müssen. Während der Entwicklung dieser FL-Initiative und der Durchführung von Experimenten mit realen Datensätzen in einer realen Umgebung sind wir auf zahlreiche Schwierigkeiten und praktische Hürden gestoßen und haben diese überwunden.“

Das FL-System wurde getestet, indem FL-Modelle zur Segmentierung von Lungenpathologie in sechs Universitätskliniken trainiert wurden. Zu diesem Zweck wurden radiologische Bilder aus dem PACS abgefragt und dann unter anderem mit mint Lesion™ verarbeitet und annotiert, um anschließend mit der FL-Plattform trainiert zu werden. Darüber hinaus wurde die Leistung von FL mit einfacheren Alternativen wie dem Training lokaler Modelle und Ensembling-Ansätzen verglichen. Die Ergebnisse zeigen, dass FL diese weniger komplexen Alternativen übertrifft, was seinen potenziellen Wert in realen Anwendungen unterstreicht. Die Studie bietet auch einen umfassenden Leitfaden für die Einrichtung von FL-Initiativen, wobei die Bedeutung einer strategischen Organisation, einer robusten Datenverwaltung und einer Infrastruktur hervorgehoben wird. Sie soll zukünftigen Forscher:innen dabei helfen, FL in klinischen Umgebungen zu implementieren, seine Überlegenheit zu demonstrieren und die Herausforderungen der realen Umsetzung zu bewältigen.

Lesen Sie die Originalveröffentlichung hier.

[1] Bujotzek, Markus R., Ünal Akünal, Stefan Denner, et al., Real-World Federated Learning in Radiology: Hurdles to Overcome and Benefits to Gain, Preprint, 2024.