Künstliche Intelligenz soll in der Medizin helfen, doch dort arbeitet sie häufig mit sensiblen Daten. Nvidia stellt eine Diagnose-KI vor, die diese Daten nicht direkt verarbeitet.
Künstliche Intelligenz soll das Gesundheitssystem revolutionieren, sagt zum Beispiel der britische Gesundheitsminister Matt Hancock. Er hat für seine These gute Gründe: Prototypische KI-Systeme diagnostizieren Krebs, Hautkrankheiten, psychische Erkrankungen oder sie helfen bei der Medikamentenentwicklung.
Doch im medizinischen Kontext ist das KI-Training besonders kritisch zu bewerten: Die Systeme müssen aus Unmengen Patientendaten lernen, die sensible Informationen enthalten. Der übliche Ansatz vieler KI-Systeme, möglichst viele Daten zu sammeln und dann in einen Topf zu werfen, ist gesellschaftlich schwer zu vermitteln.
Gelerntes Lernen
Nvidia hat nun in Kooperation mit dem King‘s College London gezeigt, dass es einen Weg gibt, medizinische Daten zu verwerten, ohne die Privatsphäre von Patienten zu verletzen: Der Tech-Konzern bezeichnet das als "Federated Learning". Übersetzt bedeutet das so viel wie Lernen im Verbund.
Beim Federated Learning wird eine zentrale KI auf verschiedene Endgeräte verteilt, etwa Computersysteme in mehreren Krankenhäusern. Jede KI lernt dann auf den jeweiligen Endgeräten aus lokal verfügbaren Daten.
Anschließend werden die Erkenntnisse der einzelnen KIs zurück an das zentrale System geschickt und dort zusammengeführt. Das so aktualisierte KI-Modell kann dann wieder wieder an die lokalen Endgeräte verschickt werden. Die Patientendaten bleiben also in der Kontrolle der behandelnden Kliniken oder Ärzte.
Die Lernmethode ist nicht neu: Google setzt sie etwa ein, um Nutzern der Pixel-Smartphones häufig genutzte Einstellungen schneller anzuzeigen oder die Vorschläge der Android-Tastatur zu verbessern. Google veranschaulichte den Prozess sogar in einem Comic.
Echtwelt-Test ist vielversprechend
Nvidia und die Forscher des King’s College haben nun erstmals bewiesen, dass eine mit Federated Learning trainierte KI auch im medizinischen Kontext funktionieren kann.
Dafür haben sie die Leistung zweier KIs für die Krebsdiagnose verglichen: Der erste Algorithmus wurde zentral mit Daten zu Gehirntumoren ("BraTS") trainiert. Für den zweiten Algorithmus wurde derselbe Datensatz auf mehrere Endgeräte aufgeteilt und die KI per Federated Learning trainiert. Die Forscher konnten zeigen, dass die zweite KI durch das dezentrale Training kaum Leistung verlor.
Titelbild: Nvidia, Quelle: Nvidia
