Forscher verbessern datenschutzkon­forme KI für die patientenbezo­gene Analyse von Operationsvide­os

Künstliche Intelligenz (KI) eröffnet neue Möglichkeiten, klinisch relevante Informationen aus Videoaufzeichnungen  chirurgischer Eingriffe zu gewinnen. Videoaufnahmen von Operationen können Krankheitsmerkmale erfassen, die sich mithilfe von KI analysieren lassen. Dadurch eröffnen sich neue Möglichkeiten, individuelle Patientenrisiken besser zu verstehen und die klinische Entscheidungsfindung künftig zu unterstützen.

Ein internationales Team unter der Leitung von Forschenden des Else Kröner Fresenius Zentrums (EKFZ) für Digitale Gesundheit an der TUD und am Universitätsklinikum Dresden hat gezeigt, dass mehrere Krankenhäuser gemeinsam KI-Modelle für die Analyse von Operationsvideos entwickeln können, ohne dabei vertrauliche Patientendaten auszutauschen. Ihre Studienergebnisse wurden in der Fachzeitschrift „NEJM AI” veröffentlicht und stellen erstmalig einen neuen datenschutzkonformen Ansatz vor. Eine zweite Veröffentlichung in „Scientific Data" macht zudem einen einzigartigen multizentrischen Datensatz öffentlich zugänglich und unterstützt damit die weitere Forschung auf diesem Gebiet. In Zukunft könnte die KI-basierte Analyse von Operationsvideos zu einer individuelleren postoperativen Versorgung der Patient:innen beitragen.

Ein innovativer Ansatz für die Zusammenarbeit bei der KI-Entwicklung

Die Entwicklung von KI-Modellen anhand von chirurgischem Videomaterial steht vor zwei großen Herausforderungen: Die Videos zeigen hochkomplexe Abläufe und sind oft mehrere Stunden lang, wodurch sie aufgrund großer Dateigrößen schwer zu analysieren sind. Zusätzlich erschweren Datenschutzbestimmungen den Austausch von Videodaten zwischen den Einrichtungen. Um diese Herausforderungen zu bewältigen, kombinierten die Forschenden erstmals zwei KI-Ansätze in einer einzigen chirurgischen Videoanalyse: „Swarm Learning“ ermöglicht ein dezentrales KI-Training über mehrere Einrichtungen hinweg ohne Austausch vertraulicher Daten. „Multiple Instance Learning“ ist ein Verfahren des maschinellen Lernens, bei dem Modelle patientenbezogene Behandlungsergebnisse anhand von Bild- und Datensammlungen lernen können, anstatt detaillierte Einzelbildannotationen zu benötigen.

„Diese Kombination ermöglicht uns die gemeinsame Entwicklung von KI, während die klinischen Daten in den Krankenhäusern verbleiben, in denen sie erhoben wurden“, erklärt Dr. Fiona Kolbinger, eine der leitenden Koautorinnen der Studie. „Gleichzeitig kann das Modell aus längeren Videoabschnitten oder sogar ganzen Eingriffsaufzeichnungen lernen, anstatt auf arbeitsintensive, Einzelbild-Annotationen angewiesen zu sein.“

Machbarkeitsstudie anhand von Videos laparoskopischer Appendektomien

Für die Studie stellten die Forschenden einen multizentrischen Datensatz aus 397 Videos laparoskopischer Appendektomien zusammen, die über einen Zeitraum von etwa 1.5 Jahren an sechs klinischen Zentren in Deutschland und Portugal gesammelt wurden. Neben den OP-Videos umfasst der Datensatz Patientenmerkmale (Alter, Geschlecht, Body-Mass-Index), klinische Informationen (Anamnese, Symptome, Laborergebnisse), Behandlungsdetails sowie Expertenbeurteilungen zum Krankheitsstadium. Anhand dieses Datensatzes trainierten die Forschenden KI-Modelle für die Vorhersage des Stadiums einer Appendizitis auf Basis vollständiger OP-Videos. Der dezentrale Swarm-Learning-Ansatz erzielte eine mit dem herkömmlichen zentralen KI-Training vergleichbare Vorhersagegenauigkeit. Damit konnte gezeigt werden, dass eine kollaborative KI-Entwicklung auch ohne den Austausch und die Erhebung sensibler klinischer Daten möglich ist. Die Vorhersage des Stadiums einer Blinddarmentzündung wurde bewusst als relativ einfache klinische Aufgabe gewählt. Die Studie legt die methodische Grundlage für die Anwendung dieses Ansatzes auf komplexere und klinisch relevantere Fragestellungen.

Eine wertvolle Ressource für die Forschungsgemeinschaft

Neben der Machbarkeitsstudie veröffentlichten die Forschenden den Datensatz zur Modellentwicklung in der Fachzeitschrift „Scientific Data“. Die frei zugängliche Ressource enthält 330 Videos von Appendektomien aus der klinischen Routine, die an fünf deutschen Einrichtungen aufgenommen wurden, sowie zugehörige klinische Metadaten und fachliche Annotationen. Im Gegensatz zu den meisten öffentlich zugänglichen Datensätzen mit OP-Videos, die lediglich Videos enthalten, verknüpft dieser Datensatz die Operationsaufzeichnungen mit klinischen Informationen auf Patientenebene sowie den Behandlungsergebnissen. Die Autor:innenhoffen, dass diese Ressource die Entwicklung und Bewertung klinisch aussagekräftiger KI-Methoden für die chirurgische Versorgung beschleunigen wird.

Auf dem Weg zur individuellen postoperativen Versorgung

Die Forschenden sehen ihre Arbeit als wichtigen ersten Schritt zur Schaffung von KI-Systemen, die eine individuelle chirurgische Versorgung unterstützen. In Zukunft könnten ähnliche Methoden dazu beitragen, Patient:innen mit erhöhtem Risiko für postoperative Komplikationen zu identifizieren oder Langzeitergebnisse nach komplexen Krebsoperationen vorherzusagen, indem Operationsvideos mit zusätzlichen klinischen Daten kombiniert werden. Der nächste Schritt umfasst die Planung eines multizentrischen Folgeprojekts unter der Leitung der Klinik für Viszeral-, Thorax- und Gefäßchirurgie des Universitätsklinikums Dresden, dessen Schwerpunkt auf der Kolorektalkrebschirurgie liegen wird, um die Methodik in einem komplexeren klinischen Umfeld weiterzuentwickeln und auszuwerten. Die Studie veranschaulicht, wie datenschutzkonforme KI die institutionenübergreifende Forschungszusammenarbeit ermöglicht und gleichzeitig vertrauliche Patientendaten schützen kann. Dies ist eine wichtige Voraussetzung dafür, vertrauenswürdige KI in die chirurgische Routineversorgung zu integrieren.

„Was dieses Projekt besonders bemerkenswert macht, ist, dass es fast ausschließlich durch das freiwillige Engagement von Kliniker:innen und Forschenden aus den sechs teilnehmenden Einrichtungen vorangetrieben wurde“, erklärt Dr. Fiona Kolbinger. „Die meisten der beteiligten Krankenhäuser haben keinen primären Forschungsauftrag, dennoch haben sie ihre Zeit investiert, weil sie das Potenzial der KI zur Verbesserung der chirurgischen Versorgung erkannt haben.“

An dieser Forschungsarbeit waren folgende Einrichtungen beteiligt:

• EKFZ für Digitale Gesundheit, Medizinische Fakultät und Universitätsklinikum Carl Gustav Carus, Technische Universität Dresden (TUD)
• Abteilung für translationale chirurgische Onkologie, Nationales Zentrum für Tumorerkrankungen (NCT/UCC) Dresden
• Klinik und Poliklinik für Viszeral-, Thorax- und Gefäßchirurgie, Klinik und Poliklinik für Kinderchirurgie, Klinik und Poliklinik für Innere Medizin I, Universitätsklinikum Carl Gustav Carus, Medizinische Fakultät, Technische Universität Dresden (TUD)
• Zentrum für taktiles Internet mit Human-in-the-Loop (CeTI), Technische Universität Dresden (TUD)
• Nationales Zentrum für Tumorerkrankungen (NCT), Medizinische Onkologie, Universitätsklinikum Heidelberg
• Asklepios-ASB-Krankenhaus Radeberg
• Städtisches Klinikum Dresden, Krankenhaus Dresden-Friedrichstadt, Klinik für Allgemein- und Viszeralchirurgie
• Oberschwabenklinik, Elisabethen-Klinikum Ravensburg, Klinik für Allgemein-, Viszeral- und Thoraxchirurgie
• Krankenhaus St. Joseph-Stift Dresden
• Diakonissenkrankenhaus Dresden
• Krankenhaus Prof. Fernando Fonseca, Lissabon, Portugal

Zur Publikation in NEJM AI

Zur Publikation in Scientific Data