Die Medizin steht vor einem Paradoxon: Künstliche Intelligenz verspricht Durchbrüche in Diagnostik und Therapie – doch dafür benötigt sie riesige Datenmengen, die das strenge Datenschutzregime im Gesundheitswesen bislang blockierte. Forscher am Karlsruher Institut für Technologie (KIT) haben eine Lösung für dieses Dilemma weiterentwickelt: das sogenannte Föderierte Lernen. Damit trainieren Kliniken gemeinsam leistungsfähige KI-Modelle, ohne dass auch nur ein einziger Patientendatensatz das eigene Haus verlassen muss.
Föderiertes Lernen für die KI in der Medizin
Das Grundprinzip des Föderierten Lernens ist simpel: Die Daten bleiben vor Ort, nur das erlernte Modellwissen wird ausgetauscht. Statt alle Behandlungsdaten auf einen zentralen Server zu laden, verbleiben die sensiblen Gesundheitsdaten lokal in den jeweiligen Krankenhäusern. Jede Klinik trainiert ein eigenes KI-Modell auf ihren Daten. Anschließend werden lediglich die gewonnenen Modellanpassungen – also die mathematischen Muster – zusammengeführt. Auf diese Weise lernt das Modell aus der Vielfalt aller beteiligten Einrichtungen, ohne jemals rohe Patientendaten zu übertragen.
Die Unterschiede: Klassisches Training versus Föderiertes Lernen
Die folgende Tabelle verdeutlicht die zentralen Unterschiede zwischen dem herkömmlichen zentralisierten Ansatz und der föderierten Alternative.
| Klassisches KI-Training | Föderiertes KI-Lernen | |
| Datenspeicherort | Zentrale Speicherung aller Behandlungsdaten auf einem externen Server | Sensible Datensätze verbleiben ausnahmslos im jeweiligen Krankenhaus |
| Datenschutz | Hohes Risiko durch Übertragung und zentrale Vorhaltung vertraulicher Patientenakten | Keine Übermittlung persönlicher Gesundheitsdaten über Klinikgrenzen hinweg |
| Wissensgewinn | Nur durch umfassende Datenfreigabe aller Akteure realisierbar | Das gelernte Modellwissen vieler Einrichtungen wird ohne Datentransfer gebündelt |
Anwendung: Synthetische CT-Bilder für die Strahlentherapie
Die Forschungsgruppe „Medizinische Bildgebung für Modellierung und Simulation“ unter der Leitung von Prof. Maria Francesca Spadea am Institut für Biomedizinische Technik des KIT hat das Föderierte Lernen speziell für die Strahlentherapie weiterentwickelt. Für eine optimale Behandlungsplanung sind normalerweise verschiedene Bildgebungsverfahren wie MRT, CT und CBCT erforderlich. Die Forscher trainierten föderierte KI-Modelle für den Kopf-Hals-Bereich, die aus vorhandenen Aufnahmen automatisch synthetische CT-Bilder erzeugen. Diese synthetischen CTs bieten drei zentrale Vorteile:
- Schonung des Gewebes durch minimierte Strahlenbelastung: Da künstlich erzeugte CT-Bilder direkt aus MRT- oder CBCT-Daten gewonnen werden, lässt sich die Belastung durch mehrfache diagnostische Durchleuchtungen deutlich verringern.
- Vermeidung automatischer Registrierungsfehler: Die Umgehung manueller Bildüberlagerungen zwischen unterschiedlichen Aufnahmesystemen eliminiert eine häufige Quelle technischer Abweichungen in der Therapieplanung.
- Hohe Exaktheit bei der Dosisberechnung: Durch die Kombination der Gewebekontraste aus MRT- beziehungsweise CBCT-Scans mit den errechneten Dichteinformationen synthetischer CTs gelingt eine hochpräzise Bestrahlungsplanung.
Sicherheit und Effizienz der föderierten Systeme
Das KIT-Team untersuchte auch mögliche Sicherheitsrisiken. Die Forscher prüften, ob sich aus einem trainierten KI-Modell Bilddaten einzelner Patienten rekonstruieren lassen. Sie konnten zeigen, dass sich föderierte Systeme bereits mit vergleichsweise kleinen Anpassungen wirksam gegen bekannte Angriffe auf die Datensicherheit absichern lassen. „Datenschutz allein reicht nicht aus. Wenn föderierte KI-Systeme künftig in der medizinischen Praxis eingesetzt werden sollen, müssen wir potenzielle Sicherheitsrisiken von Beginn an berücksichtigen“, erklärt Wissenschaftler Ciro Benito Raggio. Gleichzeitig erzielten die Forscher einen weiteren positiven Nebeneffekt: Je nach Modellarchitektur gelang es ihnen, den Rechenaufwand und die CO₂-Emissionen um 9 bis 23 Prozent zu reduzieren, ohne die Bildqualität zu beeinträchtigen. Gerade für Krankenhäuser mit begrenzter Hardware-Infrastruktur ist das ein entscheidender Fortschritt – die optimierten KI-Modelle kommen ohne teure Supercomputer aus.
Das Konzept des Föderierten Lernens ist nicht neu, aber der Proof of Concept des KIT belegt eindrucksvoll, dass sich leistungsfähige und datenschutzfreundliche KI-Anwendungen ohne ausufernde Ressourcen realisieren lassen. Dieser Ansatz könnte auch für Unternehmen außerhalb der Medizin interessant sein – etwa wenn ein Hersteller und sein Zulieferer ein gemeinsames KI-Modell entwickeln wollen, aber keiner der Partner bereit ist, geschäftskritische Daten aus der Hand zu geben. Der Karlsruher Ansatz zeigt: Datensouveränität und leistungsstarke Künstliche Intelligenz müssen kein Widerspruch sein.
