{"id":55492,"date":"2026-10-14T17:40:05","date_gmt":"2026-10-14T15:40:05","guid":{"rendered":"https:\/\/overcentral.com\/de\/?p=55492"},"modified":"2026-10-14T17:40:05","modified_gmt":"2026-10-14T15:40:05","slug":"foederiertes-lernen-kit-trainiert-ki-fuer-die-medizin-ohne-datentransfer","status":"publish","type":"post","link":"https:\/\/overcentral.com\/de\/foederiertes-lernen-kit-trainiert-ki-fuer-die-medizin-ohne-datentransfer\/","title":{"rendered":"F\u00f6deriertes Lernen: KIT trainiert KI f\u00fcr die Medizin ohne Datentransfer"},"content":{"rendered":"<p>Die Medizin steht vor einem Paradoxon: K\u00fcnstliche Intelligenz verspricht Durchbr\u00fcche in Diagnostik und Therapie \u2013 doch daf\u00fcr ben\u00f6tigt sie riesige Datenmengen, die das strenge Datenschutzregime im Gesundheitswesen bislang blockierte. Forscher am Karlsruher Institut f\u00fcr Technologie (KIT) haben eine L\u00f6sung f\u00fcr dieses Dilemma weiterentwickelt: das sogenannte F\u00f6derierte Lernen. Damit trainieren Kliniken gemeinsam leistungsf\u00e4hige KI-Modelle, ohne dass auch nur ein einziger Patientendatensatz das eigene Haus verlassen muss.<\/p>\n<h2>F\u00f6deriertes Lernen f\u00fcr die KI in der Medizin<\/h2>\n<p>Das Grundprinzip des F\u00f6derierten 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 Krankenh\u00e4usern. Jede Klinik trainiert ein eigenes KI-Modell auf ihren Daten. Anschlie\u00dfend werden lediglich die gewonnenen Modellanpassungen \u2013 also die mathematischen Muster \u2013 zusammengef\u00fchrt. Auf diese Weise lernt das Modell aus der Vielfalt aller beteiligten Einrichtungen, ohne jemals rohe Patientendaten zu \u00fcbertragen.<\/p>\n<h2>Die Unterschiede: Klassisches Training versus F\u00f6deriertes Lernen<\/h2>\n<p>Die folgende Tabelle verdeutlicht die zentralen Unterschiede zwischen dem herk\u00f6mmlichen zentralisierten Ansatz und der f\u00f6derierten Alternative.<\/p>\n<table class=\"has-fixed-layout\">\n<tbody>\n<tr>\n<td> <\/td>\n<td><strong>Klassisches KI-Training<\/strong><\/td>\n<td><strong>F\u00f6deriertes KI-Lernen<\/strong><\/td>\n<\/tr>\n<tr>\n<td><strong>Datenspeicherort<\/strong><\/td>\n<td>Zentrale Speicherung aller Behandlungsdaten auf einem externen Server<\/td>\n<td>Sensible Datens\u00e4tze verbleiben ausnahmslos im jeweiligen Krankenhaus<\/td>\n<\/tr>\n<tr>\n<td><strong>Datenschutz<\/strong><\/td>\n<td>Hohes Risiko durch \u00dcbertragung und zentrale Vorhaltung vertraulicher Patientenakten<\/td>\n<td>Keine \u00dcbermittlung pers\u00f6nlicher Gesundheitsdaten \u00fcber Klinikgrenzen hinweg<\/td>\n<\/tr>\n<tr>\n<td><strong>Wissensgewinn<\/strong><\/td>\n<td>Nur durch umfassende Datenfreigabe aller Akteure realisierbar<\/td>\n<td>Das gelernte Modellwissen vieler Einrichtungen wird ohne Datentransfer geb\u00fcndelt<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2>Anwendung: Synthetische CT-Bilder f\u00fcr die Strahlentherapie<\/h2>\n<p>Die Forschungsgruppe \u201eMedizinische Bildgebung f\u00fcr Modellierung und Simulation\u201c unter der Leitung von Prof. Maria Francesca Spadea am Institut f\u00fcr Biomedizinische Technik des KIT hat das F\u00f6derierte Lernen speziell f\u00fcr die Strahlentherapie weiterentwickelt. F\u00fcr eine optimale Behandlungsplanung sind normalerweise verschiedene Bildgebungsverfahren wie MRT, CT und CBCT erforderlich. Die Forscher trainierten f\u00f6derierte KI-Modelle f\u00fcr den Kopf-Hals-Bereich, die aus vorhandenen Aufnahmen automatisch synthetische CT-Bilder erzeugen. Diese synthetischen CTs bieten drei zentrale Vorteile:<\/p>\n<ul>\n<li><strong>Schonung des Gewebes durch minimierte Strahlenbelastung:<\/strong> Da k\u00fcnstlich erzeugte CT-Bilder direkt aus MRT- oder CBCT-Daten gewonnen werden, l\u00e4sst sich die Belastung durch mehrfache diagnostische Durchleuchtungen deutlich verringern.<\/li>\n<li><strong>Vermeidung automatischer Registrierungsfehler:<\/strong> Die Umgehung manueller Bild\u00fcberlagerungen zwischen unterschiedlichen Aufnahmesystemen eliminiert eine h\u00e4ufige Quelle technischer Abweichungen in der Therapieplanung.<\/li>\n<li><strong>Hohe Exaktheit bei der Dosisberechnung:<\/strong> Durch die Kombination der Gewebekontraste aus MRT- beziehungsweise CBCT-Scans mit den errechneten Dichteinformationen synthetischer CTs gelingt eine hochpr\u00e4zise Bestrahlungsplanung.<\/li>\n<\/ul>\n<h2>Sicherheit und Effizienz der f\u00f6derierten Systeme<\/h2>\n<p>Das KIT-Team untersuchte auch m\u00f6gliche Sicherheitsrisiken. Die Forscher pr\u00fcften, ob sich aus einem trainierten KI-Modell Bilddaten einzelner Patienten rekonstruieren lassen. Sie konnten zeigen, dass sich f\u00f6derierte Systeme bereits mit vergleichsweise kleinen Anpassungen wirksam gegen bekannte Angriffe auf die Datensicherheit absichern lassen. \u201eDatenschutz allein reicht nicht aus. Wenn f\u00f6derierte KI-Systeme k\u00fcnftig in der medizinischen Praxis eingesetzt werden sollen, m\u00fcssen wir potenzielle Sicherheitsrisiken von Beginn an ber\u00fccksichtigen\u201c, erkl\u00e4rt Wissenschaftler Ciro Benito Raggio. Gleichzeitig erzielten die Forscher einen weiteren positiven Nebeneffekt: Je nach Modellarchitektur gelang es ihnen, den Rechenaufwand und die CO\u2082-Emissionen um 9 bis 23 Prozent zu reduzieren, ohne die Bildqualit\u00e4t zu beeintr\u00e4chtigen. Gerade f\u00fcr Krankenh\u00e4user mit begrenzter Hardware-Infrastruktur ist das ein entscheidender Fortschritt \u2013 die optimierten KI-Modelle kommen ohne teure Supercomputer aus.<\/p>\n<p>Das Konzept des F\u00f6derierten Lernens ist nicht neu, aber der Proof of Concept des KIT belegt eindrucksvoll, dass sich leistungsf\u00e4hige und datenschutzfreundliche KI-Anwendungen ohne ausufernde Ressourcen realisieren lassen. Dieser Ansatz k\u00f6nnte auch f\u00fcr Unternehmen au\u00dferhalb der Medizin interessant sein \u2013 etwa wenn ein Hersteller und sein Zulieferer ein gemeinsames KI-Modell entwickeln wollen, aber keiner der Partner bereit ist, gesch\u00e4ftskritische Daten aus der Hand zu geben. Der Karlsruher Ansatz zeigt: Datensouver\u00e4nit\u00e4t und leistungsstarke K\u00fcnstliche Intelligenz m\u00fcssen kein Widerspruch sein.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Die Medizin steht vor einem Paradoxon: K\u00fcnstliche Intelligenz verspricht Durchbr\u00fcche in Diagnostik und Therapie \u2013 doch daf\u00fcr ben\u00f6tigt sie riesige Datenmengen, die das strenge Datenschutzregime im Gesundheitswesen bislang blockierte. Forscher am Karlsruher Institut f\u00fcr Technologie (KIT) haben eine L\u00f6sung f\u00fcr dieses Dilemma weiterentwickelt: das sogenannte F\u00f6derierte Lernen. Damit trainieren Kliniken gemeinsam leistungsf\u00e4hige KI-Modelle, ohne dass [&hellip;]<\/p>\n","protected":false},"author":5,"featured_media":55493,"comment_status":"closed","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"fifu_image_url":"https:\/\/cards.overcentral.com\/cards\/de\/55492.png","fifu_image_alt":"F\u00f6deriertes Lernen: KIT trainiert KI f\u00fcr die Medizin ohne Datentransfer","footnotes":""},"categories":[6672],"tags":[],"class_list":["post-55492","post","type-post","status-publish","format-standard","has-post-thumbnail","category-technologie"],"fifu_image_url":"https:\/\/cards.overcentral.com\/cards\/de\/55492.png","fifu_image_alt":"F\u00f6deriertes Lernen: KIT trainiert KI f\u00fcr die Medizin ohne Datentransfer","_links":{"self":[{"href":"https:\/\/overcentral.com\/de\/wp-json\/wp\/v2\/posts\/55492","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/overcentral.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/overcentral.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/overcentral.com\/de\/wp-json\/wp\/v2\/users\/5"}],"replies":[{"embeddable":true,"href":"https:\/\/overcentral.com\/de\/wp-json\/wp\/v2\/comments?post=55492"}],"version-history":[{"count":1,"href":"https:\/\/overcentral.com\/de\/wp-json\/wp\/v2\/posts\/55492\/revisions"}],"predecessor-version":[{"id":55494,"href":"https:\/\/overcentral.com\/de\/wp-json\/wp\/v2\/posts\/55492\/revisions\/55494"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/overcentral.com\/de\/wp-json\/wp\/v2\/media\/55493"}],"wp:attachment":[{"href":"https:\/\/overcentral.com\/de\/wp-json\/wp\/v2\/media?parent=55492"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/overcentral.com\/de\/wp-json\/wp\/v2\/categories?post=55492"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/overcentral.com\/de\/wp-json\/wp\/v2\/tags?post=55492"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}