Innovationen
Ciro Benito Raggio: Die Methode, die Kliniken beim KI-Training zusammenbringt, ohne Patientendaten zu teilen
Ciro Benito Raggio vom Karlsruher Institut für Technologie zeigt, wie Krankenhäuser gemeinsam künstliche Intelligenz trainieren können, ohne sensible Patientendaten preiszugeben – und dabei bis zu 23 % Rechenaufwand sparen.

Dabei ließ sich der Rechenaufwand und damit auch die CO₂-Emissionen je nach Modellarchitektur um 9 bis 23 % senken, ohne dass die Qualität der erzeugten Bilder darunter litt.
Die Arbeit setzt an einem Problem an, das viele Kliniken kennen: Für leistungsfähige KI-Modelle braucht es große Mengen an Bilddaten, doch Patientendaten dürfen aus Datenschutzgründen nicht einfach zwischen Krankenhäusern ausgetauscht werden. Genau hier setzt föderiertes Lernen an.
Wie föderiertes Lernen Kliniken verbindet, ohne Daten zu teilen
Beim föderierten Lernen bleiben die Patientendaten dort, wo sie entstehen: in der jeweiligen Klinik. Trainiert wird nicht ein zentrales Modell mit gesammelten Daten, sondern jede teilnehmende Einrichtung trainiert lokal mit, und nur die daraus gewonnenen Modell-Updates werden zusammengeführt.
Auf diese Weise fließt das Wissen vieler Kliniken in ein gemeinsames Modell ein, während die vertraulichen Daten stets in der jeweiligen Einrichtung verbleiben.
Für den Bereich der Strahlentherapie ist das besonders relevant: Raggios Team konzentrierte sich auf synthetische CT-Bilder im Kopf-Hals-Bereich, die künftig zusätzliche CT-Aufnahmen in bestimmten Anwendungsfällen ersetzen könnten. Laut Raggio könnte das die Belastung von Patienten durch weitere Röntgenstrahlung verringern.
Warum die Sicherheit der Systeme eine zentrale Rolle spielt
Ein Kritikpunkt an föderierten KI-Systemen war bislang ihre Anfälligkeit für bekannte Angriffe auf die Datensicherheit. Raggio zufolge lassen sich solche Systeme jedoch mit vergleichsweise kleinen Anpassungen wirksam dagegen schützen, ohne dass dafür ein kompletter Neuaufbau der Infrastruktur nötig wäre.
Ein weiterer Vorteil der Methode liegt darin, dass sich der mühsame Abgleich unterschiedlicher Bilddatensätze erübrigt, der im klinischen Alltag bislang erheblichen Zeitaufwand verursacht. Das könnte Arbeitsabläufe in Kliniken spürbar vereinfachen.
Was die Methode für kleinere Kliniken bedeutet
Besonders kleinere Krankenhäuser könnten nach Einschätzung von Raggio von den Optimierungen profitieren. Ihnen fehlen oft die umfangreichen Rechenressourcen großer Universitätskliniken, um eigenständig leistungsfähige KI-Modelle zu trainieren. Durch föderiertes Lernen können sie sich an einem gemeinsamen Training beteiligen, ohne eigene Hochleistungsrechner anschaffen zu müssen.
Die Einsparung beim Rechenaufwand wirkt sich dabei doppelt aus: Sie senkt Kosten und reduziert zugleich den CO₂-Ausstoß, der mit dem Training großer KI-Modelle verbunden ist. Für Kliniken mit begrenztem Budget kann das den Unterschied machen, ob eine Teilnahme an solchen Projekten überhaupt möglich ist.
Wie es mit der Methode weitergehen soll
Raggio sieht in synthetischen CT-Bildern ein Werkzeug, das in bestimmten Anwendungsfällen zusätzliche Aufnahmen ersetzen könnte. Bis eine solche Methode in den klinischen Alltag einzieht, braucht es allerdings weitere Validierung an größeren Patientengruppen und in unterschiedlichen Klinikumgebungen.
Für Krankenhäuser, die über eine Teilnahme an föderierten KI-Projekten nachdenken, liegt der Reiz vor allem darin, von gemeinsamem Wissen zu profitieren, ohne die Kontrolle über die eigenen Patientendaten abzugeben. Genau das macht die Methode nach Einschätzung des KIT-Forschers für kleinere Einrichtungen besonders attraktiv.


