Forschende am Universitätsklinikum Essen nutzen NVIDIA-gestützte Künstliche Intelligenz, um über eine Krankenhausplattform Patientendaten zu verknüpfen und damit die Patientenversorgung zu verbessern sowie den Energieverbrauch zu senken.
Das Universitätsklinikum Essen verfügt derzeit über fast 500 IT-Systeme, unter anderem für Krankenhausinformationen, Labore oder die Radiologie. Jedes einzelne dieser Systeme enthält wichtige Patientendaten. Diese sind zwar teilweise miteinander verknüpft, aber es ist schwierig, Daten aus unterschiedlichen Systemen ganzheitlich miteinander zu verbinden oder auf Machine Learning basierende, übergeordnete Erkenntnisse daraus zu ziehen.
Um das Potenzial von KI wirklich zum Patienten und an den Ort der Behandlung zu bringen und so die klinischen Prozesse mit mehr Effizienz, einer neuen Datentiefe und verbesserten Entscheidungsgrundlagen zum Wohl der Patienten zu unterstützen, hat das Uniklinikum aus dem Ruhrpott das Institut für Künstliche Intelligenz in der Medizin (IKIM) gegründet. Ziel ist es maschinelles Lernen von den Bits zum Krankenbett zu bringen und KI zu nutzen, um ein »smartes Krankenhaus der Zukunft« aufzubauen.
Jens Kleesiek und Felix Nensa, Professoren an der Medizinischen Fakultät der Universität Duisburg Essen, sind Teil des vierköpfigen Teams, welches die Forschungsgruppe leitet. Die vom IKIM entwickelte Technologie ist in die IT-Infrastruktur des Universitätsklinikums Essen integriert und baut auf Nvidia-Technologie.
Das IKIM beherbergt ein Labor zur Datenannotierung, welches von einem Radiologen-Team geführt wird. Hier werden in hoher Geschwindigkeit anatomischer Strukturen in medizinischen Bildern mithilfe von MONAI, einem Open-Source-Framework, detektiert und gelabelt. Das Tool auf PyTorch-Basis wurde von Nvidia in Zusammenarbeit mit führenden Kliniken und Forschungseinrichtungen, darunter dem King's College London, für die Erstellung, das Training, das Labeln und den Einsatz von KI-Modellen in der Bildgebung im Gesundheitswesen entwickelt.
Die IKIM-Forscher verwenden auch selbstüberwachtes Lernen, um KI-Modelle zu trainieren, die präzise Label für die CT- und MRT-Scans des Krankenhauses und andere Bilder erzeugen.