Forschungsleiter: Rickmer Braren

Projektziele

Künstliche Intelligenz (KI) wird im Gesundheitswesen zunehmend für spezifische Aufgaben trainiert. Ein Netzwerk, das beispielsweise darauf spezialisiert ist, die Schrumpfung bestimmter Hirnareale bei Demenzpatienten zu erkennen, ist nicht für die Analyse der Leber oder des Herzens geeignet. Dies führt zu der Notwendigkeit, eine Vielzahl von trainierten Netzwerken für unterschiedliche Aufgaben im Krankenhaus bereitzuhalten.

Anstatt jedoch hunderte solcher Netzwerke lokal vorzuhalten, können die zu analysierenden Daten pseudonymisiert über eine gesicherte Internetverbindung an ein anderes Krankenhaus gesendet werden, das das benötigte Netzwerk vorhält. Dort werden die Daten analysiert, die sogenannte Inferenz durchgeführt, und die Ergebnisse über dieselbe gesicherte Verbindung zurückgeschickt.

Diese notwendige Verbindung zwischen Krankenhäusern, über die Daten schnell und sicher ausgetauscht werden können, wurde bereits in der ersten Förderphase der Medizininformatik-Initiative (MII) an allen teilnehmenden Standorten etabliert. Hierfür wurden die medizinischen Datenintegrationszentren (DIZe) aufgebaut.

Die OMI-Methodenplattform zielt darauf ab, diese DIZe um die Fähigkeit zu erweitern, medizinische Bilddaten zu verarbeiten. In einem zweiten Schritt sollen die bereits bestehenden sicheren Verbindungen zwischen den DIZen erweitert werden, um auch Bilddaten übertragen zu können und die jeweils vor Ort verfügbare KI in dieses Netzwerk einzubinden. So kann ein Krankenhaus die KI anderer Krankenhäuser nutzen, ohne diese selbst vorhalten zu müssen.

Der Fokus unserer Arbeit liegt auf:

Spezifikation von Open-Medical-Inference-Protokollen.
Entwicklung des ImagingStudy-Teils des MII-Imaging-Erweiterungsmoduls.
Ausarbeitung des DICOMweb™-Adapters.
Implementierung eines Reference-Gateway-Servers und eines Reference-Clients.
Diese Maßnahmen sollen sicherstellen, dass medizinische Bilddaten effizient und sicher zwischen Krankenhäusern ausgetauscht und analysiert werden können, wodurch die Nutzung von KI in der klinischen Praxis erheblich optimiert wird.

Effizienzsteigerung durch vernetzte KI in der Medizin

Ein wesentlicher Fortschritt in der Gesundheitsinformatik ist die Entwicklung eines sicheren, verteilten Datenaustauschsystems, das auf der Medizininformatik-Initiative (MII) basiert. Dieses System ermöglicht es, multimodale Gesundheitsdaten für Remote-KI-Inferenzprozesse über offene Protokolle und Datenformate semantisch interoperabel auszutauschen. Die Forschungsgruppe arbeitet daran, grundlegende OMI-FHIR-Profile zu integrieren, OMI-Konformitätsressourcen zu definieren und einen umfassenden OMI-Implementierungsleitfaden zu erstellen.

Ein wichtiger Bestandteil dieses Projekts ist die Referenzimplementierung eines OMI-Clients. Dieser Client soll in die lokale MII-konforme Infrastruktur der teilnehmenden Partnerstandorte integriert werden. Zu den Aufgaben gehören die Einbindung von DIZ-Transferdiensten, die kontinuierliche Anpassung an agile Entwicklungszyklen, die Einrichtung einer Integrationsschicht für Einwilligungs- und Datennutzungsrichtlinien sowie wiederholte Leistungs- und End-to-End-Tests. Zudem wird die Benutzeroberfläche zur Steuerung der OMI/DIZ-Interaktion integriert und umfangreiche Integrationstests mit DICOM- und FHIR-Daten durchgeführt.

Ein weiteres zentrales Element ist die Entwicklung und Implementierung eines OMI-Service-Registers. Dieses Register erfasst alle laufenden KI-Dienste im OMI-Netzwerk, einschließlich ihrer Input-/Output-Daten, Verfügbarkeit und Nutzungsmetriken. Die Forschungsgruppe entwirft eine Dienstarchitektur, die sichere Authentifizierung, hohe Verfügbarkeit und Fehlertoleranz gewährleistet. Automatisierte Tests der Gateway-Registrierung und der Client-Abfrage-Schnittstelle stellen die Konformität mit der OMI RESTful API sicher und prüfen die Leistung in Hochlastszenarien.

Schließlich werden alle OMI-Komponenten auf die Partnerstandorte ausgeweitet, wobei jeder Partner als Dienstanbieter und/oder Nutzer fungiert. Die Plattform wird umfassend bewertet, indem die lokalen Infrastrukturanforderungen überprüft, Dienstregister und Clients bereitgestellt und generische OMI-Referenz-Gateways an die jeweiligen KI-Dienste angepasst werden. Algorithmen und entsprechende Gateways werden an Partnerstandorten bereitgestellt und End-to-End-Tests durchgeführt. Diese Tests umfassen funktionale Validierungen, Last-, Leistungs- und Latenztests sowie Fehlerbehandlungstests und Notfallwiederherstellungstests.

Mit dieser umfassenden Herangehensweise soll das OMI-System robust, interoperabel und optimal für zukünftige medizinische Anwendungen vorbereitet werden, was die Nutzung von KI in der klinischen Praxis erheblich verbessern wird.