Hirnschlag mit künstlicher Intelligenz wirksamer behandeln

Ein Forschungsteam des Inselspitals Bern, der Universität Bern und des Centre hospitalier universitaire vaudois (CHUV) setzt künstliche Intelligenz ein, um nach einem Schlaganfall schneller zielgerichtet handeln zu können. Das Projekt “Advanced Stroke Analysis Platform” (ASAP) arbeitet dabei mit Verbundlernen, das heißt die Datenbanken beider Spitalzentren werden föderativ verbunden.

Die wichtigsten Anwendungsbereiche der künstlichen Intelligenz (KI) liegen derzeit in der Interpretation von Bild- und Analysedaten zur Unterstützung der Diagnose- und Prognosestellung. Eine wichtige Hürde stellt die begrenzt verfügbare Datenmenge für das Training der Algorithmen dar. Oft sind nur ungenügende Datenmengen aus einzelnen Zentren vorhanden, die nicht übertragbar sind, oder Probleme der Anonymisierung verhindern den wirksamen Einsatz von KI.

Verbundlernen: ein Durchbruch für die KI in der Medizin

Die neue Technologie arbeitet mit Verbundlernen (Federated Learning). Dabei findet das Training der KI-Algorithmen im Verbund unterschiedlicher Datenbanken föderativ an dezentralen Standorten, in separaten Geräten und auf unterschiedlichen Plattformen statt. Die Forschungsgruppe des SCAN (Support Center for Advanced Neuroimaging) um Prof. Roland Wiest am Institut für Diagnostische und Interventionelle Neuroradiologie Inselspital, Universitätsspital Bern und Jonas Richiardi, CHUV in Lausanne, wird eine neue Methodik entwickeln, um die Datenheterogenität zu bewältigen und die Datensicherheit beim Verbundlernen zu gewährleisten.

Der Ansatz funktioniert stark vereinfacht dargestellt so, dass ein großer Teil der Erfassung und Auswertung dezentral geführt wird und nur vorbearbeitete, anonymisierte und normalisierte Daten zentral für den Lernprozess verwertet werden. Der Berner Computeringenieur und KI-Experte Richard McKinley erklärt die Methodik so: “Bisherige Ansätze basieren auf einem zentralisierten Zugriff auf die Daten. Neu schlagen wir vor, die Zuordnung zwischen Standorten mithilfe der Bildübersetzung mit verteilten generativen kontradiktorischen Netzwerken (Generative Adversarial Network, GAN) zu lernen. Die Rohdaten werden so weder vom Server noch von den anderen Standorten gesehen.”

Pilotprojekt Advanced Stroke Analysis Platform (ASAP)

Die Bestrebung im Projekt ASAP geht dahin, Prognosen direkt mittels KI, die auf MRT-Bildern trainiert wurde, zu erstellen. Dazu müssen genügend Daten aus der Akutphase wie auch aus mittel- und langfristigen Ergebnissen vorhanden sein. Wiest und McKinley erklären: “Wir schlagen vor, Deep-Learning-Modelle zu erstellen, die das Bildgebungsergebnis, also das endgültige Ausmaß der Läsion und das klinische Ergebnis (mRS-Score) eines Patienten nach einem akuten Schlaganfall unter Verwendung von Verbundlernen vorhersagen. Insbesondere werden unsere Modelle alle verfügbaren Bildgebungsverfahren nutzen und präzise klinische Zeitpunkte umfassen, die routinemäßig aufgezeichnet werden. So soll die Abschätzung der Prognose und die Erholung nach einem Schlaganfall dramatisch verbessert werden.”

Das Projekt ASAP wird noch im 1. Quartal 2021 starten. Erste Resultate erwarten die Wissenschaftler Ende 2023. Der Implementationspartner dieses Projektes ist Siemens Healthineers Schweiz mit dem MRI-Innovationshub an der EPFL in Lausanne. Das Projekt wird finanziell unterstützt durch Innosuisse, der Schweizerischen Agentur für Innovationsförderung.