KI lernt in 30 Neonatologien, ohne dass Patientendaten die Kliniken verlassen

Für Erwachsene trainierte KI-Modelle arbeiten in der radiologischen Analyse von Neugeborenen oft ungenau. Ein internationales Forschungsteam zeigt nun, dass sich ein AI-Radiologie-Modell an Neugeborene anpassen lässt, ohne sensible Daten aus den Krankenhäusern zu holen. Das ist wichtig, weil Kinder in öffentlich verfügbaren medizinischen Bilddatensätzen nur rund 1% ausmachen. Aufzeichnungen über Neugeborene und Kinder unterliegen strengen Datenschutzvorschriften und bleiben üblicherweise innerhalb der Krankenhäuser.

Das Modell wandert von Krankenhaus zu Krankenhaus, die Daten bleiben vor Ort. Prof. Pranav Rajpurkar von der Harvard Medical School und Kolleg:innen sammelten fast 3.000 Röntgenbilder aus 30 Neonatal-Intensivstationen in 20 Ländern und trainierten das Modell schrittweise an den Daten jedes einzelnen Krankenhauses. Beteiligt waren außerdem das Institut für Künstliche Intelligenz in der Medizin der Universität Duisburg Essen und die Klinik für Radiologie am Universitätsklinikum Essen.

Die Forschenden begannen mit einem Modell, das an Erwachsenendaten trainiert worden war und prüfen sollte, ob Beatmungsschläuche korrekt platziert sind. Die an Erwachsenen trainierten Modelle lagen bei Neugeborenen im Durchschnitt 4,30 cm daneben, wobei dort kaum Spielraum für Fehler besteht. Das vollständig trainierte Modell erkannte die Position des Schlauchs mit einem durchschnittlichen Fehler von 0,67 cm, wie Prof. Dr. Dr. Jens Kleesiek, Direktor des Instituts für Künstliche Intelligenz in der Medizin am Universitätsklinikum Essen, berichtet.

Die Autorinnen und Autoren hoffen, dass sich der Ansatz auch in anderen medizinischen Bereichen eignet, um Modelle für Kinder und weitere unterrepräsentierte Patientengruppen kostengünstig und datenschutzfreundlich anzupassen. Die Studie erschien in „Nature Biomedical Engineering“.