Multicentric AI development for cardiovascular disease classification and therapy support based on imaging data

Ein zentrales "Pooling" multizentrischer Daten an einem zentralen Datenspeicherstandort ist datenschutz- und sicherheitsrechtlich meist unzulässig. Die Plattform und Infrastruktur für föderiertes Lernen, die in dem Projekt "Federated Learning of TAVI Outcomes (FLOTO)" entwickelt wurde, ermöglicht, dass die Daten in den einzelnen Kliniken bleiben, und die Algorithmen dezentral trainiert werden. Der Use-case hat gezeigt, dass die entwickelte Plattform grundlegende Funktionen abdeckt, aber noch erweitert werden muss. Im Laufe dieses Projektes soll die entwickelte Plattform erweitert werden. Neben Performance-Optimierungen soll die Integration in die klinische IT-Landschaft verbessert und Algorithmen den Entwicklern Visualisierungen zum Überprüfen des Trainingsvorgangs bereitgestellt werden. Mit Hilfe des existierenden Anwendungsfalls FLOTO und der dort bereits vorliegenden Daten können diese neuen Konzepte direkt ab Start des Projektes getestet werden und die bestehende Plattform in Bezug auf Performance und Stabilität optimiert werden. Das zweite Teilprojekt adressiert die Entwicklung individualisierter Scores zur Klassifizierung von Patienten mit Verdickung des Herzmuskels anhand einer Kombination von Daten aus der Herz-Magnetresonanztomographie und persönlichen Daten unter Nutzung künstlicher Intelligenz für Bildauswertung und -interpretation. Hier soll zum einen die bestehende Infrastruktur genutzt werden, um die Adaption von Bildverarbeitungslösungen an die Daten verschiedener Zentren zu ermöglichen. Zum anderen werden die gut strukturierten Daten der UK-Biobank und vorhandener DZHK-Studien genutzt, um die Scoring-Modelle zu trainieren.