Ein Paper von Daniel Peters­heim wurde in der Fachzeit­schrift „Nature“ veröffentlicht

In dem Artikel „Swarm Learning for decen­tra­li­zed and confi­den­tial clini­cal machine learning” stellen die Wissenschaftler*innen Swarm Learning, einen dezen­tra­len Ansatz für maschi­nel­les Lernen vor.
Mithilfe maschi­nel­len Lernens können Patien­ten mit Leukämie identi­fi­ziert werden. Aller­dings klafft hierbei noch eine große Lücke zwischen den techni­schen Möglich­kei­ten und dem was auf-grund von Daten­schutz­ge­set­zen erlaubt ist. Swarm Learning ist ein Ansatz, der die Integra­tion be-liebi­ger medizi­ni­scher Daten von belie­bi­gen Daten­ei­gen­tü­mern weltweit erleich­tern soll, ohne da-bei Daten­schutz­ge­setze zu verletzen.

Um die Machbar­keit der Verwen­dung von Swarm Learning zur Entwick­lung von Krank­heits­klas­sifi-katoren unter Verwen­dung verteil­ter Daten zu veran­schau­li­chen, wurden vier Anwen­dungs­fälle hetero­ge­ner Krank­hei­ten (COVID-19, Tuber­ku­lose, Leukämie und Lungen­pa­tho­lo­gien) ausge­wählt. Mit mehr als 16.400 Bluttran­skrip­to­men, die aus 127 klini­schen Studien mit ungleich­mä­ßi­ger Vertei-lung von Fällen und Kontrol­len und erheb­li­chen Studi­en­ver­zer­run­gen stammen, sowie mehr als 95.000 Thorax-Röntgen­bil­dern, konnte gezeigt werden, dass Swarm Learning-Klassi­fi­ka­to­ren dieje-nigen übertref­fen, die an einzel­nen Stand­or­ten entwi­ckelt wurden.

Zusam­men­ge­nom­men sind Swarm Learning und Transkrip­to­mik (oder andere medizi­ni­sche Daten) ein vielver­spre­chen­der Ansatz, um die Nutzung von KI unter den vielen betei­lig­ten Akteu­ren im medizi­ni­schen Umfeld zu demokra­ti­sie­ren und gleich­zei­tig die Vertrau­lich­keit, den Schutz und die Sicher­heit der Daten zu verbes­sern sowie den Daten­ver­kehr zu verringern.

Herzli­chen Glück­wunsch an Daniel Petersheim!