KI-Technik wahrt Privatsphäre in der Medizin
Diagnose-Algorithmus erkennt Pneumonien in Röntgenbildern und garantiert den Datenschutz
 |
Datenanalyse: heikle Informationen geschützt (Foto: pixabay.com, ckstockphoto) |
München/London (pte033/25.05.2021/13:57) Forscher der Technischen Universität München (TUM) http://tum.de , des Imperial College London und der Non-Profit-Organisation OpenMined haben eine innovative Technik entwickelt, die die Privatsphäre von Patienten beim Trainieren von KI-Algorithmen zur Verbesserung künftiger Diagnosesysteme schützt. "Federated Learning" wird verwendet, wobei Daten nicht geteilt werden, sondern der Deep-Learning Algorithmus selbst. Anwendung findet die neue Technik erstmals in einem Algorithmus, der in Röntgenbildern Pneumonien erkennt.
Daten sind geschützt
Zum Datenschutz werden zumeist die Verfahren der Anonymisierung und Pseudonymisierung angewendet - ein Vorgehen, das auch in der Kritik steht. "Es hat sich in der Vergangenheit mehrfach gezeigt, dass diese Vorgehensweisen keinen ausreichenden Schutz für die Gesundheitsdaten von Patienten bieten", sagt Daniel Rückert, Alexander-von-Humboldt-Professor für Artificial Intelligence in Healthcare and Medicine an der TUM.
Laut dem in "Nature Machine" veröffentlichten Ansatz handelt es sich um einen Deep-Learning-Algorithmus, mithilfe dessen sich Pneumonien in Röntgenbildern von Kindern klassifizieren lassen. "Wir haben unsere Modelle gegen spezialisierte Radiologen getestet. Sie wiesen zum Teil eine vergleichbare oder höhere Genauigkeit in der Diagnose verschiedener Arten von Lungenentzündungen bei Kindern auf", verdeulticht Marcus R. Makowski, Direktor des Instituts für Radiologie am Klinikum rechts der Isar der TUM.
Sichere Aggregierung
Damit sich keine Rückschlüsse auf die Daten einer bestimmten Institution ziehen lassen, mit denen der Algorithmus trainiert wurde, hat das Team eine weitere Technik angewendet: die sichere Aggregierung. "Wir haben die Algorithmen verschlüsselt zusammengeführt und erst entschlüsselt, nachdem sie mit den Daten aller beteiligten Institutionen trainiert waren", erklärt Erstautor Georgios Kaissis vom Institute for AI and Informatics in Medicine der TUM.
Damit keine Infos über einzelne Patienten aus den Datensätzen herausgefiltert werden können, haben die Experten zusätzlich eine dritte Technik auf das Training des Algorithmus angewendet. "Schlussendlich können zwar statistische Zusammenhänge aus den Datensätzen herausgelesen werden, nicht aber die Beiträge einzelner Personen zum Datensatz", betont Kaissis.
(Ende)| Aussender: | pressetext.redaktion |
| Ansprechpartner: | Florian Fügemann |
| Tel.: | +43-1-81140-313 |
| E-Mail: | fuegemann@pressetext.com |
| Website: | www.pressetext.com |
