KI mit Schwarm-Intelligenz

Gemeinschaftliches Lernen

Anders als beim „Federated Learning“, bei dem die Daten ebenfalls lokal verbleiben, gibt es keine zentrale Kommandostelle, erläutert der Bonner Wissenschaftler. „Swarm Learning geschieht kooperativ anhand von Regeln, auf die sich alle Partner vorab verständigt haben. Dieses Regelwerk wird in einer Blockchain festgehalten.“ Hierbei handelt es sich um eine Art digitales Protokoll, das den Informationsaustausch zwischen den Parteien verbindlich regelt, sämtliche Ereignisse dokumentiert und das alle Beteiligten einsehen können. „Die Blockchain ist das Rückgrat des Swarm Learning“, so Schultze. „Alle Mitglieder des Schwarms sind gleichberechtigt. Es gibt keine zentrale Macht über das Geschehen und die Ergebnisse, also gewissermaßen keine Spinne, die das Datennetz kontrolliert.“

Die KI-Algorithmen lernen somit lokal, nämlich anhand der Daten, die am jeweiligen Netzwerkknoten vorliegen. Die Lernerfolge jedes Knotens werden in Form von Parametern über die Blockchain gesammelt und in intelligenter Weise vom System verarbeitet. Daraufhin optimierte Parameter werden an alle Beteiligte weitergegeben. Dieser Ablauf wiederholt sich mehrfach, wodurch sich die Fähigkeit der Algorithmen Muster zu erkennen nach und nach verbessert – und zwar an jedem Knoten des Netzwerkes.

Lungenbilder und molekulare Merkmale

Den Praxisbeweis dafür liefern die Forschenden nun anhand der Analyse von Röntgenbildern der Lunge und sogenannter Transkriptome: Bei Letzteren handelt es sich um Daten zur Genaktivität von Zellen. In der aktuellen Studie ging es konkret um Immunzellen, die im Blut zirkulieren – also um weiße Blutkörperchen. „Daten der Genaktivität von Blutzellen sind wie ein molekularer Fingerabdruck. Sie enthalten wichtige Informationen darüber, wie der Organismus auf eine Erkrankung reagiert“, sagt Schultze. „Transkriptome liegen genauso wie Röntgenbilder in großer Menge vor und sie sind hochkomplex. Genau die richtige Art von Informationen für eine Analyse mit künstlicher Intelligenz. Solche Daten sind ideal, um Swarm Learning zu testen.“

Das Forschungsteam nahm sich insgesamt vier infektiöse und nicht-infektiöse Erkrankungen vor: zwei Varianten von Blutkrebs (Akute Myeloische Leukämie und Akute Lymphoblastische Leukämie), außerdem Tuberkulose und COVID-19. Die Daten umfassten insgesamt mehr als 16.000 Transkriptome. Das Swarm-Learning-Netzwerk, über das die Daten verteilt waren, bestand in der Regel aus mindestens drei und bis zu 32 Knoten. Unabhängig von den Transkriptomen analysierten die Forschenden rund 100.000 Röntgenbilder des Brustkorbs. Diese stammten von Patienten mit Flüssigkeitsansammlungen in der Lunge oder anderen pathologischen Befunden sowie von Personen ohne Auffälligkeiten. Diese Daten waren über drei verschiedene Knoten verteilt.

Hohe Trefferquote

Die Analyse sowohl der Transkriptome wie auch der Röntgenbilder folgte dem gleichen Prinzip: Zunächst fütterten die Forschenden ihre Algorithmen mit Teilmengen des jeweiligen Datensatzes. Dazu gehörte auch die Information, welche der Proben von Patienten stammten und welche von Personen ohne Befund. Mit der so erlernten Mustererkennung für „krank“ beziehungsweise „gesund“ wurden dann weitere Daten klassifiziert – das heißt: eingeteilt in Proben mit oder ohne Erkrankung. Die Treffsicherheit, also die Fähigkeit der Algorithmen zwischen gesunden und erkrankten Personen zu unterscheiden, lag bei den Transkriptomen im Durchschnitt (jede der vier Erkrankungen wurde separat ausgewertet) bei rund 90 Prozent, im Falle der Röntgendaten reichte sie von 76 bis 86 Prozent.

„Das Verfahren funktionierte am besten bei Leukämie. Hier ist die Signatur der Genaktivität besonders auffällig und somit für künstliche Intelligenz am einfachsten zu erkennen. Infektionserkrankungen sind variabler. Dennoch war die Treffsicherheit bei Tuberkulose und COVID-19 ebenfalls sehr hoch. Bei den Röntgendaten war die Quote etwas niedriger, was mit der geringeren Daten- beziehungsweise Bildqualität zusammenhängt“, kommentiert Schultze die Ergebnisse. „Unsere Studie belegt somit, dass sich Swarm Learning auf ganz unterschiedliche Daten erfolgreich anwenden lässt. Prinzipiell gilt das für jede Art von Information, bei der eine Mustererkennung anhand künstlicher Intelligenz sinnvoll ist. Seien es Genomdaten, Röntgenaufnahmen, Bilddaten aus dem Hirnscanner oder andere komplexe Daten.“

Die Studie ergab zudem, dass Swarm Learning deutlich bessere Ergebnisse lieferte, als wenn die Knoten des Netzwerkes unabhängig voneinander lernten. „Jeder Knoten profitiert von den Erfahrungswerten der anderen Knoten, obwohl immer nur lokale Daten zur Verfügung stehen. Das Konzept des Swarm Learning hat damit den Praxistest bestanden“, sagt Schultze.

Vision für die Zukunft

„Ich bin davon überzeugt, dass Swarm Learning der medizinischen Forschung und anderen datengetriebenen Disziplinen einen enormen Schub geben kann. Die aktuelle Studie war nur ein Testlauf. Künftig wollen wir diese Technologie auf Alzheimer und andere neurodegenerative Erkrankungen anwenden“, so Schultze. „Swarm Learning hat das Potential eines echten Gamechangers und könnte helfen, den Erfahrungsschatz der Medizin weltweit zugänglicher zu machen. Nicht nur Forschungseinrichtungen, auch beispielsweise Krankenhäuser könnten sich zu solchen Schwärmen zusammenschließen und damit Informationen zum gegenseitigen Nutzen austauschen.“