Gemeinsame Segmentierung von Mammographieaufnahmen über drei Kliniken hinweg

Im Rahmen des Projekts Innowise wurde ein Framework für föderiertes Lernen implementiert, das es drei Kliniken ermöglichte, gemeinsam ein Modell zur Brustkrebserkennung zu trainieren, ohne sensible Patientendaten weiterzugeben.

Bis zu 68,61 TP180T

Verbesserung der Segmentierung AP

AI-powered mammography segmentation across three clinics using a privacy-preserving federated learning framework

Branche Gesundheitswesen

Angestellte 3,500+

Region Europa

Leistungen KI-Entwicklung
Maschinelles Sehen

Projektübersicht

Artikel mit KI zusammenfassen

Innowise initiierte ein Projekt zum föderierten Lernen und bezog drei Krankenhäuser in die gemeinsame Entwicklung eines Modells zur Erkennung und Segmentierung von Brustkrebs ein. Da jedes Krankenhaus sensible Mammographiedaten in seiner eigenen sicheren Umgebung verwaltete, erforderte das Projekt einen datenschutzkonformen Ansatz, der ein gemeinsames KI-Training ohne Austausch von Patientenakten ermöglichte.

Herausforderung

Datenschutz im Gesundheitswesen. Die teilnehmenden Kliniken wollten bei der Entwicklung von KI zusammenarbeiten, ohne sensible Bilddaten von Patienten außerhalb ihrer lokalen Infrastruktur offenzulegen.
Regulatorische und governancebezogene Einschränkungen. Die Lösung musste strenge Datenschutz- und behördliche Anforderungen im Gesundheitswesen erfüllen, die die zentrale Speicherung medizinischer Bilder einschränkten.
Skalierbare klinische Zusammenarbeit. Der Rahmen, der erforderlich ist, um die künftige Zusammenarbeit mit weiteren Gesundheitseinrichtungen zu ermöglichen, ohne das Datenschutzmodell zu ändern.

Verteiltes Training unter Wahrung der Privatsphäre. Das System erforderte ein kollaboratives KI-Training über mehrere Kliniken hinweg, ohne dass Rohdaten aus der Mammographie übertragen wurden.
Sichere Modellsynchronisation. Zwischen den Teilnehmern konnten lediglich Modellparameter und Aktualisierungen ausgetauscht werden, während die Patientendaten innerhalb der lokalen Umgebung der jeweiligen Klinik verbleiben mussten.
Heterogene Datensätze. Unterschiedliche Bildverteilungen und Fallmixe in den verschiedenen Kliniken stellten Herausforderungen für das stabile Training und die Optimierung des Modells dar.

Gelieferte Lösung

Innowise hat ein Framework für datenschutzkonformes föderiertes Lernen implementiert, um ein gemeinsames Modell zur Erkennung und Segmentierung von Brustkrebs zu trainieren, ohne dass sensible Patientendaten außerhalb der lokalen klinischen Systeme übertragen werden müssen.

ARCHITEKTUR DES FEDERATED LEARNING ARCH1TP179

Anstatt die Mammographiebilder in einer gemeinsamen Datenbank zu zentralisieren, trainierte jede Klinik das Modell lokal innerhalb ihrer eigenen sicheren Infrastruktur.

Während des Trainings tauschte das System ausschließlich Modellparameter und Trainingsaktualisierungen über einen zentralisierten Aggregationsworkflow aus. Die aggregierten Aktualisierungen wurden zu einem verbesserten globalen Modell zusammengefasst und anschließend in den folgenden Trainingszyklen an alle teilnehmenden Kliniken weitergeleitet.

Dieser Ansatz des föderierten Lernens ermöglichte es den Einrichtungen, die Modellleistung gemeinsam zu verbessern und dabei gleichzeitig die Privatsphäre der Patienten zu wahren sowie die Anforderungen an die Governance im Gesundheitswesen einzuhalten.

SEGMENTIERUNGSMODELL FÜR DIE MAMMOGRAPHIE

Im Rahmen des Projekts wurde Mask R-CNN für folgende Zwecke eingesetzt:

Erkennung von Brustläsionen
Lokalisierung der Läsion
Segmentierung von Mammographiebildern auf Pixelebene

Das Modell ermöglichte es den Kliniken, verdächtige Bereiche zu identifizieren und detaillierte Segmentierungsmasken für Läsionen zu erstellen, die die nachfolgenden diagnostischen Arbeitsabläufe unterstützen und die Konsistenz bei der Befundung verbessern.

Um ein stabiles kollaboratives Lernen an allen teilnehmenden Einrichtungen zu gewährleisten, hat Innowise Folgendes standardisiert:

Modellarchitektur
Schulungskonfigurationen
Vorverarbeitungs-Pipelines
Bewertungsverfahren

Um die Zuverlässigkeit des Modells über verschiedene klinische Datensätze hinweg zu verbessern, wurden bei Innowise Pipelines zur Datenaugmentierung sowie Strategien zum Umgang mit Klassenungleichgewichten implementiert, um das kollaborative Modelltraining zu stabilisieren und Verzerrungen im Datensatz zu reduzieren. Dies half dem KI-Modell dabei, besser mit Abweichungen bei Mammographiebildern, einer ungleichmäßigen Verteilung von Krebsfällen und Unterschieden in der Bildqualität zwischen den Kliniken umzugehen.

Alle Modelle wurden anhand eines standardisierten, einheitlichen Bewertungsprotokolls und eines gemeinsamen Benchmark-Testsatzes bewertet, um einen fairen Leistungsvergleich zu gewährleisten..

DEZENTRALISIERTER SCHULUNGSABLAUF

Bisher stießen die einzelnen Kliniken bei der eigenständigen Schulung aufgrund der begrenzten Vielfalt der lokalen Daten und der Verzerrung der Datensätze auf Leistungsgrenzen.

Der Prozess des föderierten Lernens ermöglichte es jeder Klinik, das Modell unabhängig voneinander auf etwa 3.500 lokale Mammographieaufnahmen während der Teilnahme an einem gemeinsamen, verteilten Lernzyklus.

Der Arbeitsablauf umfasste:

Schulung vor Ort in jeder Klinik
Regelmäßige Synchronisierung von Modellaktualisierungen
Zentrale Aggregation der gelernten Parameter
Weitergabe des aktualisierten globalen Modells an die Teilnehmer

Dieser Ansatz ermöglichte ein gemeinsames KI-Training über etwa 10.500 Mammographieaufnahmen, ohne dabei ein zentrales Archiv für medizinische Bilddaten.

DATENSPEICHERUNG UNTER WAHRUNG DES DATENSCHUTZES

Im Rahmen des Projekts kam ein Modell zur ausschließlich lokalen Datenspeicherung zum Einsatz, was bedeutet, dass alle Mammographiebilder während des gesamten Trainingsprozesses innerhalb der sicheren Umgebung der jeweiligen Klinik verblieben.

Das System hat niemals medizinische Rohbilder zwischen den Einrichtungen übertragen. Während der Synchronisationszyklen wurden lediglich Modellparameter und Trainingsaktualisierungen ausgetauscht.

Diese Architektur ermöglichte es den Kliniken, gemeinsam ein gemeinsames KI-Modell zu trainieren und dabei die vollständige lokale Kontrolle über sensible Patientendaten zu behalten.

Eines der Hauptziele dieses Projekts war es, einen praktischen Rahmen für die kollaborative klinische KI ohne zentralisierten Datenaustausch zu schaffen. Der Ansatz des föderierten Lernens ermöglichte es den teilnehmenden Kliniken, die Modellqualität über verschiedene Mammographie-Datensätze hinweg zu verbessern und gleichzeitig die vollständige lokale Kontrolle über die Patientendaten zu behalten.

Hanna Karpenka Wissenschaftlicher Berater

Technologien

KI & Maschinelles Lernen

Federated Learning, Computer Vision, Erkennung und Segmentierung medizinischer Bilder

Frameworks

PyTorch, TensorFlow

Modelle

Mask R-CNN

Verteilte KI

Verteiltes Training, Modellaggregation

Team

ML-Ingenieure

Fachexperte für biomedizinische Bildgebung

Ergebnis

Projektdauer

2 Monate

Durch die Einführung eines Workflows für föderiertes Lernen in drei Kliniken half Innowise den teilnehmenden Einrichtungen dabei, die Erkennung und Segmentierung von Brustkrebs gemeinsam zu verbessern, ohne sensible Mammographiedaten zu zentralisieren.

Das föderierte Modell schnitt durchweg besser ab als Modelle, die unabhängig voneinander in einzelnen Kliniken trainiert wurden. Durch das kollaborative Lernen anhand von rund 10.500 Mammographiebildern erhielt das Modell Zugang zu einem breiteren Spektrum an Läsionstypen, Bildmustern und Patientenverteilungen, als es eine einzelne Einrichtung allein hätte bieten können.

Im Ergebnis wurden im Rahmen des Projekts folgende Ziele erreicht:

Höhere Segmentierungsqualität als bei jedem eigenständigen Klinikmodell
Eine Verbesserung um bis zu 68,61 TP180T bei der Segmentierung im AP im Vergleich zur schwächsten Einzelstandort-Baseline
Verbesserte Modellgeneralisierung über heterogene Mammographie-Datensätze hinweg
Stabilere Lokalisierung von Läsionen unter verschiedenen Bildgebungsbedingungen

Diese Verbesserungen trugen unmittelbar zu den nachfolgenden klinischen Arbeitsabläufen bei, bei denen eine genaue Segmentierung für die Lokalisierung von Läsionen, die diagnostische Unterstützung und eine einheitliche Befundung von entscheidender Bedeutung ist.

Das Projekt hat zudem gezeigt, dass „Federated Learning“ als skalierbare Grundlage für künftige klinische KI-Initiativen mehrerer Einrichtungen dienen kann und dabei weiterhin mit den Datenschutz- und Governance-Anforderungen im Gesundheitswesen vereinbar ist.

Inhaltsübersicht

Entwickeln Sie sichere klinische KI-Lösungen mit Innowise

Fallstudien

Kontakt aufnehmen

Anruf vereinbaren oder füllen Sie das Formular aus. Wir kontaktieren Sie, sobald wir Ihre Anfrage bearbeitet haben.

Name

Unternehmen

E-Mail

Telefon

Nachricht

Sprachnachricht senden

Datei beifügen

Datei hochladen

Sie können 1 Datei mit bis zu 2 MB anhängen. Gültige Dateiformate: pdf, jpg, jpeg, png.

Mit dem Klicken auf Senden erklären Sie sich damit einverstanden, dass Innowise Ihre personenbezogenen Daten gemäß unserer Datenschutzerklärung verarbeitet, um Ihnen relevante Informationen bereitzustellen. Mit Angabe Ihrer Telefonnummer stimmen Sie zu, dass wir Sie per Sprachanruf, SMS oder Messaging-Apps kontaktieren. Es können Gebühren für Anrufe, Nachrichten und Datenübertragung anfallen.

Sie können uns auch kontaktieren
bis hin zu contact@innowise.com

Wie geht es weiter?

Sobald wir Ihre Anfrage erhalten und geprüft haben, melden wir uns bei Ihnen, klären erste Fragen und unterzeichnen bei Bedarf ein NDA, um die Vertraulichkeit zu gewährleisten.

Nach genauer Prüfung Ihrer Anforderungen, Bedürfnisse und Erwartungen wird unser Team einen Projektvorschlag mit Angaben zu Arbeitsumfang, Teamgröße, Zeitaufwand und Kosten erstellen.

Wir vereinbaren einen Termin, um das Angebot gemeinsam zu besprechen und alle Details festzulegen.

Abschließend unterzeichnen wir den Vertrag und starten umgehend mit der Umsetzung Ihres Projekts.