Healthcare IT & Security

Leukämie in der Cloud bekämpfen

16. Januar 2023, 16:07 Uhr | Von Jens Dommel, AWS

Fortsetzung des Artikels von Teil 1

Hohe Datensicherheit

Aufgrund des globalen Umfangs der MLL-Forschung müssen die verwendeten Datenspeicher den Datenschutzbestimmungen der einzelnen Länder gerecht werden. Die Sicherheitsdienste von AWS erfüllen höchste Standards und werden von unabhängigen Akkreditierungsstellen zertifiziert. Die ermittelten Informationen werden vom MLL an die AWS-Server in Frankfurt übertragen. Dort werten Algorithmen die Daten direkt in der Cloud aus, was die Analysen zusätzlich beschleunigt. Früher benötigte das MLL mit der internen, auch sehr guten Infrastruktur bis zu 20 Stunden für bestimmte Prozesse. Heute lassen sich diese Arbeitsschritte in nur drei Stunden erledigen. Zudem wird dadurch eine äußerst hohe und reproduzierbare Genauigkeit der komplexen Analysen erzielt: im Rahmen von Pilotprojekten aktuell 95 Prozent in der Zytomorphologie, 92 Prozent bei Genomen sowie Transkriptomen und 90 Prozent bei der Immunophänotypisierung. Die durch maschinelles Lernen vorbereiteten Daten werden dann zur weiteren Validierung an das MLL-Team übergeben. Erst dann entsteht der Befund.

Auch in finanzieller Hinsicht hat sich das neue Verfahren als äußerst effizient erwiesen. Das Labor kann die Nutzung der Cloud-Dienste je nach Bedarf anpassen und zahlt letztendlich nur für die Ressourcen, die es jeweils in Anspruch nimmt. Mithilfe von NGS erhöhte sich somit die Qualität der Diagnostik, bei gleichzeitiger Verringerung der Kosten.

Learnings & Erfahrungswerte

Drei Ergebnisse sind aus der Kooperation besonders hervorzuheben:

Zusammenarbeit mit Fachleuten – Bei Machine Learning und künstlicher Intelligenz im medizinischen Bereich kommt es auf das gesammelte Wissen von Experten aus unterschiedlichen Bereichen an. Durch die Kombination verschiedener Disziplinen besitzt das MLL den größten und hochwertigsten Datensatz seiner Art für die Blutkrebsdiagnostik. Dies erleichtert auch die Erstellung des maschinellen Lernmodells für die Data Scientists von AWS.
Schnellere Ergebnisse – Mithilfe der Werkzeuge von AWS ließen sich zentrale Schritte des Diagnostikprozesses um das Fünffache beschleunigen. Außerdem muss sich das MLL-Team nicht um das Management der Infrastruktur kümmern und kann sich vollständig auf seine eigentliche Arbeit mit den Daten konzentrieren.
Symbiose von Technologie und Mensch – Maschinelles Lernen hilft Ärzten, bei ihren Diagnosen schneller und präziser zu sein. Es verringert die Fehlerwahrscheinlichkeit und führt zu einer höheren Qualität der Analyse. Doch selbst das beste ML-Modell kommt zu falschen Ergebnissen, wenn es nicht zu den vorliegenden Daten und Verfahren passt. Die Optimierung der ML-Modelle ist ein kontinuierlicher Prozess. Allerdings ist auch beim Einsatz von maschinellem Lernen weiterhin die menschliche Expertise als Korrektiv gefragt.

Schnelle und hochpräzise Diagnose

In diesen ersten Pilotstudien hat sich die Kooperation zwischen dem MLL und AWS als Erfolg erwiesen. Die Konfiguration und das Steuern des Trainingsalgorithmus für das ML-Modell erfolgen vollständig automatisch, und das Forscherteam konnte sich auf die Arbeit mit den Daten konzentrieren. Die integrierte Funktion zur automatischen Modellabstimmung erhöhte zudem die Genauigkeit des Modells, ohne dass dessen Architektur oder die Hyperparameter manuell abgestimmt werden mussten. Das Labor ist mit dem bisherigen Erfolg des Projekts zufrieden und will den Ansatz noch weiter verbessern. Geplant ist, die Vision einer blitzschnellen, hochpräzisen und algorithmisch objektiven Leukämiediagnose weltweit voranzutreiben. (uh)