DC-AIDE - Dedizierte klinische Ausrüstung für den Einsatz künstlicher Intelligenz

• Fachliche Zuordnung: Medizin
• Förderung: Förderung in 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 512819079

Deep Learning hat sich als Schlüsseltechnologie in der biomedizinischen Bildanalyse herauskristallisiert, ist aber aufgrund der hohen Anforderungen an die Rechenleistung und die Datenverwaltung für Laien nur schwer zu handhaben. Im Rahmen dieses Projekts wird eine Plattform entwickelt, die die groß angelegte statistische Analyse von multimodalen biomedizinischen Bildgebungs- und Patientendaten mit modernsten Deep-Learning-Methoden vereinfachen soll. Die vorgeschlagene Infrastruktur wird den Zugang zu modernsten Algorithmen ermöglichen und eine standardisierte Dateninfrastruktur definieren, die leicht in heterogenen Umgebungen eingesetzt werden kann. Unser Prototyp wird einen effektiven Mechanismus für die gemeinsame Nutzung vortrainierter Algorithmen und fortschrittlicher Analysetools bieten. Die Plattform richtet sich an die biomedizinische Forschungsgemeinschaft und wird Wissenschaftlern neuartige, leistungsstarke und validierte Werkzeuge an die Hand geben, um Herausforderungen wie die bildbasierte Phänotypisierung von Krankheiten und die prädiktive Modellierung anzugehen. Neueste Analysepipelines werden implementiert und in benutzerfreundliche Toolboxen verpackt, die direkt in klinischen Arbeitsabläufen eingesetzt werden können und die Extraktion von bildgebenden Biomarkern und quantitativen Messungen ermöglichen. Unser Ansatz basiert auf drei Grundprinzipien: Datenverknüpfung (systemübergreifend), Datenverwaltung (Wahrung der Privatsphäre der Patienten und Einhaltung rechtlicher/ethischer Vorschriften) und Dateninteroperabilität (Verwendung öffentlicher APls und offener Standards). Um dies zu erreichen, werden wir auf einem bestehenden Modell aufbauen: Die Daten werden in einer sicheren Umgebung aufbewahrt, wobei KI-Algorithmen zum Training mit sensiblen Patientendaten innerhalb der Firewall unserer Klinik eingesetzt werden. Zwei Ansätze werden unterstützt: ein sicherer Lern-Orchestrierungsserver, der die Lernkoordination für sichere Datenenklaven in unserem Partnerkrankenhaus, dem Universitätsklinikum Erlangen (UKER), übernimmt, und sichere Sandboxen, die die Modellentwicklung in einer von der Universität gehosteten sicheren Umgebung an der FAU ermöglichen. Wie in einem föderierten Lernparadigma werden sich die meisten Modelle durch unsere Infrastruktur bewegen, nicht die Daten. Wir werden die Infrastruktur in diesen Umgebungen mit Unterstützung des Departments Artificial Intelligence in Biomedical Engineering (AIBE) der FAU, der Radiologieabteilung des UKER und des Regionalen Rechenzentrums Erlangen (RRZE) einrichten (und unterstützen), um die erforderlichen Fähigkeiten bereitzustellen. Unsere vorgeschlagene Lösung ist in hohem Maße interoperabel und skalierbar für andere Kliniken und ermöglicht die Integration z. B. mit der Medical Informatics Initiative. Dieser Ansatz wird einen sicheren und gesetzeskonformen Zugang zu den PACS und elektronischen Patientenakten der Kliniken bieten, und reproduzierbare Forschung ermöglichen.

• DFG-Verfahren: Forschungsgroßgeräte
• Großgeräte: DC-AIDE - Dedizierte klinische Ausrüstung für den Einsatz künstlicher Intelligenz
• Gerätegruppe: 7000 Datenverarbeitungsanlagen, zentrale Rechenanlagen
• Antragstellende Institution: Friedrich-Alexander-Universität Erlangen-Nürnberg
• Leiter: Professor Dr. Bernhard Kainz