Ein internationales Forschungsteam hat ein ursprünglich für Erwachsene entwickeltes Röntgen-KI-Modell für Neugeborene angepasst. Dafür lernt das Modell nacheinander aus Daten verschiedener Kliniken, ohne dass Patientendaten zentral zusammengeführt werden müssen. In einer Studie mit 30 neonatologischen Intensivstationen verbesserte sich die Genauigkeit deutlich.
Medizinische KI wird bislang überwiegend mit Daten Erwachsener entwickelt. Für Kinder und insbesondere Neugeborene stehen deutlich weniger geeignete Datensätze zur Verfügung. Gleichzeitig lassen sich für Erwachsene trainierte Modelle nicht ohne Weiteres übertragen, weil sich Anatomie, Aufnahmebedingungen und klinische Fragestellungen unterscheiden. Ein internationales Forschungsteam hat deshalb untersucht, ob sich ein bestehendes KI-Modell mit vergleichsweise kleinen lokalen Datensätzen schrittweise an die Neonatologie anpassen lässt. An der retrospektiven Studie beteiligten sich 30 neonatologische Intensivstationen aus 20 Ländern und Regionen.
KI kontrolliert die Lage von Beatmungstuben
Als Anwendungsfall wählten die Forschenden die Lagekontrolle von Endotrachealtuben auf Thorax-Röntgenaufnahmen. Bei beatmeten Neugeborenen muss die Tubusspitze präzise positioniert sein. Liegt sie zu tief, kann beispielsweise nur noch ein Lungenflügel beatmet werden; eine unnötige Korrektur oder erneute Intubation birgt wiederum eigene Risiken. Das Ausgangsmodell war ursprünglich mit Röntgenaufnahmen erwachsener Intensivpatienten trainiert worden. Ohne Anpassung übertrug es sich jedoch nur unzureichend auf Aufnahmen von Neugeborenen. Für die Anpassung nutzte das Team sogenanntes Continual Learning. Dabei wird nicht ein gemeinsamer Datensatz an einem zentralen Ort aufgebaut. Stattdessen wird das Modell nacheinander an verschiedenen Standorten weitertrainiert. Jede beteiligte Klinik stellte rund 100 Röntgenaufnahmen mit fachärztlichen Markierungen bereit. Jeweils 50 Bilder dienten dazu, das Modell lokal weiterzutrainieren. Anschließend wurden nur die aktualisierten Modellparameter an den nächsten Standort weitergegeben. Die eigentlichen Patientendaten müssen damit die jeweilige Klinik nicht verlassen. Im Unterschied zu klassischem Federated Learning benötigt der Ansatz zudem keine wiederholte zentrale Aggregation der Modellparameter.
Fehler bei der Lokalisation deutlich reduziert
Das internationale Training verbesserte die Lokalisierung von Tubusspitze und Carina deutlich. Der kombinierte Fehler lag beim unveränderten Erwachsenenmodell im Mittel bei 4,30 Zentimetern. Wurde das Modell ausschließlich mit den lokalen Daten eines Krankenhauses angepasst, sank er auf 1,29 Zentimeter. Beim fortlaufenden Training über mehrere Kliniken lag die Abweichung bei 0,67 Zentimetern. An 29 der 30 untersuchten Standorte war das international trainierte Modell bei der anatomischen Lokalisation besser als das ausschließlich lokal angepasste Modell. Auch zu tief liegende Tuben wurden an 27 von 30 Standorten zuverlässiger erkannt. Die Forschenden stellten zudem fest, dass das Modell von jedem weiteren beteiligten Krankenhaus profitieren konnte. Ein Plateau war innerhalb der untersuchten 29 Trainingsstandorte nicht erkennbar. Die Studie zeigt allerdings auch eine Grenze des Ansatzes. Ein zusätzlicher Standort stellte deutlich geringer aufgelöste Röntgenbilder zur Verfügung. Wurden diese Daten in das Training aufgenommen, verschlechterte sich die Gesamtleistung. Der kombinierte Lokalisierungsfehler stieg dann von 0,67 auf 0,75 Zentimeter. Die Autoren schließen daraus, dass Mindestanforderungen an die Datenqualität notwendig sein könnten, wenn viele Einrichtungen gemeinsam ein Modell weiterentwickeln.
Pädiatrische KI bleibt unterrepräsentiert
Der Ansatz adressiert ein grundsätzliches Problem medizinischer KI. Nach Angaben der Forschenden sind lediglich rund 17 Prozent kommerziell verfügbarer KI-Modelle von der US-amerikanischen FDA für den Einsatz bei Kindern zugelassen. Kinder machen zugleich weniger als ein Prozent der Fälle in öffentlich verfügbaren medizinischen Bilddatensätzen aus. Viele pädiatrische KI-Systeme werden deshalb bislang auf Daten einzelner Zentren entwickelt und nur selten extern validiert. Das neue Verfahren könnte einen Weg eröffnen, vorhandene Erwachsenenmodelle mit relativ kleinen lokalen Datensätzen für pädiatrische Anwendungen weiterzuentwickeln, ohne große Bildarchive zwischen Einrichtungen auszutauschen. Noch handelt es sich jedoch um einen retrospektiven Machbarkeitsnachweis. Die Experimente wurden für die Studie zentral simuliert; der dezentrale Ablauf ist technisch vorgesehen, wurde aber noch nicht als regulärer klinischer Workflow über 30 Krankenhäuser hinweg betrieben. Ebenso wurde nicht untersucht, ob das System Komplikationen reduziert oder klinische Abläufe beschleunigt.
