Verteiltes und Privatsphäre erhaltendes maschinelles Lernen für Gesundheitsdaten
Methoden der Künstlichen Intelligenz (KI) versprechen einen großen Nutzen in allen Bereichen des Gesundheitswesens: von der Prävention über die Diagnostik bis zur Therapie. Doch nicht nur die Hoffnungen, auch die Vorbehalte gegenüber den neuen Technologien sind groß. Denn KI-basierte Systeme lernen mithilfe von Daten - und die sind gerade im Gesundheitswesens sehr sensibel. Für das maschinelle Lernen als eine Schlüsseltechnologie der Künstlichen Intelligenz müssen Daten in ausreichender Menge und Qualität zur Verfügung stehen. Gleichzeitig muss der Datenschutz gewährleistet sein. Die Menschen dürfen nicht zum „gläsernen Patienten“ werden.
Ziel des Projektes „apheris AI“ ist es, eine Technologie zum verteilten maschinellen Lernen zu entwickeln, die die sensiblen Daten schützt. Statt Daten an zentraler Stelle zusammenzuführen, soll mit den lokal zur Verfügung stehenden Daten gearbeitet werden. Beim maschinellen Lernen entsteht so ein statistisches Modell, welches auf verteilten Datensätzen trainiert wird. Das bietet den Vorteil, dass die Daten bei den Eigentümern verbleiben. Um keine Rückschlüsse aus dem Modell auf die ursprünglichen Daten zu ziehen, werden kryptografische Methoden und mathematische Techniken wie Differential Privacy eingesetzt. Diese nutzen die Strategie der zufälligen Verfälschung. Dabei gilt es, eine optimale Balance zwischen Effizienz, Güte des Modells und Privatheit zu erreichen.
Ob in der Prävention, bei der präzisen Krankheitsdiagnose oder der passgenauen Therapie und Versorgung – Künstliche Intelligenz und Maschinelles Lernen können einen wesentlichen Beitrag leisten, um Menschen künftig medizinisch besser und individueller zu versorgen. Gesundheitsdaten sollen möglichst in dezentralen Architekturen gespeichert und trainiert werden, um den Schutz der Privatsphäre der Menschen zu erhöhen. Das Projekt liefert dazu wichtige, auf neuesten wissenschaftlichen Erkenntnissen basierende Technologien.