Projektbeschreibung
In der zweiten Phase des Projektes Intelligente Diagnostik wird ein verbessertes, das heißt insbesondere ein miniaturisiertes und kostengünstiges Diagnose-System entwickelt, mit dem in Kliniken und Hautpraxen robust, erklärbar und sicher maligne Hautläsionen automatisch auf Expertenniveau diagnostiziert werden können. Dies soll durch den Einsatz künstlicher Intelligenz (KI) basierend auf einer multimodalen Datengrundlage erfolgen. Zudem ist die Weiterentwicklung zu einem kompakten, handgeführten Diagnose-System (KOMPASS-System genannt) geplant, welches langfristig Hausärzten ermöglichen soll ohne Anwesenheit eines (Fach-)Arztes das Hautkrebs-Screening durchzuführen. Die dadurch erzielte Vergrößerung des Anwendungsbereichs soll die Breitenwirksamkeit des Diagnose-Systems weiter erhöhen.
Die Projektphase 2 von Intelligente Diagnostik basiert unmittelbar auf den Ergebnissen der ersten Projektphase, in der die Grundlagen für ein neues Verfahren zur Diagnose maligner Melanome entwickelt wurde. Die Projektbeschreibung und Arbeitsinhalte der ersten Phase können hier nachgelesen werden. Die Weiterentwicklung des Einsatzszenarios ist in der nachfolgenden Abbildung visualisiert.
Der in der Abbildung dargestellte geplante Ablauf einer Messung gestaltet sich wie folgt: Zunächst folgt nach der Datenerfassung mit dem lokalen Messsystem eine Aufbereitung der Rohdaten. Die aufbereiteten Dateien werden lokal gespeichert, um für lokale Trainings- und Prädiktionsvorgänge verwendet zu werden. Bei den Systemen in der Klinik und der Hautarztpraxis führt der behandelnde Arzt das Labeling durch. Bei kritischen Diagnoseentscheidungen wird die Läsion histopathologisch untersucht. Anders als in der ersten Projektphase (links in der Abbildung) werden in der aktuellen, zweiten Phase von Intelligente Diagnostik (rechts in der Abbildung) auch auf einer verteilten Infrastruktur zentral KI-Modelle verwaltet und trainiert. Der Kommunikation zwischen den lokalen und dem zentralen KI-Modell sowie der Fusion der KI-Modelle liegt der Ansatz des Federated Learnings zu Grunde. Dieser ermöglicht den datenschutzfreundlichen Austausch von erlernten Wissen, sodass unterschiedliche Standorte von Erkenntnissen anderer Standorte profitieren können.
