Rofo 2020; 192(S 01): S7-S8
DOI: 10.1055/s-0040-1703123
Vortrag (Wissenschaft)
Bildverarbeitung/IT/Software/Gerätetechnik/Qualitätsmanagement
© Georg Thieme Verlag KG Stuttgart · New York

Die Joint Imaging Platform (JIP) des Deutschen Konsortiums für Translationale Krebsforschung (DKTK)

J Scherer
1   Deutsches Krebsforschungszentrum (DKFZ), Medizinische Bildverarbeitung, Heidelberg
,
J Kleesiek
2   Deutsches Krebsforschungszentrum (DKFZ), Radiologie, Heidelberg
,
M Nolden
1   Deutsches Krebsforschungszentrum (DKFZ), Medizinische Bildverarbeitung, Heidelberg
,
K Kades
1   Deutsches Krebsforschungszentrum (DKFZ), Medizinische Bildverarbeitung, Heidelberg
,
V Schneider
2   Deutsches Krebsforschungszentrum (DKFZ), Radiologie, Heidelberg
,
J Metzger
1   Deutsches Krebsforschungszentrum (DKFZ), Medizinische Bildverarbeitung, Heidelberg
,
K Maier-Hein
1   Deutsches Krebsforschungszentrum (DKFZ), Medizinische Bildverarbeitung, Heidelberg
,
H Schlemmer
2   Deutsches Krebsforschungszentrum (DKFZ), Radiologie, Heidelberg
,
DKTK JIP Konsortium › Author Affiliations
Further Information

Publication History

Publication Date:
21 April 2020 (online)

 

Zielsetzung Die medizinische Bildgebung ist einer der vielversprechendsten Anwendungsbereiche für künstlicher Intelligenz (KI) im Gesundheitswesen. Lernende Computersysteme ergänzen zunehmend die menschliche Expertise und erlauben eine Verbesserung von Vorhersage, Diagnose und Behandlung von Krankheiten. Für den wissenschaftlichen Fortschritt ist die Verfügbarkeit von großen annotierten Datensätzen von entscheidender Bedeutung. Um diese Herausforderungen anzugehen, wurde die Joint Imaging Platform (JIP) zur föderierten Datenanalyse entwickelt. Diese ermöglicht es, die Auswertealgorithmen, anstatt der Patientendaten, zwischen den elf radiologischen und nuklearmedizinischen Abteilungen der DKTK Partnerstandorte zu teilen.

Material und Methoden Durch den Einsatz aktueller Opensource-Industriestandards wie Kubernetes, Docker-Container oder Apache Airflow wurde eine browserbasierte Plattform auf dem Stand der Technik entwickelt. Diese wird auf eigenständigen Servern in jedem Klinikum lokal zur Verfügung gestellt. Von der Patientenstratifizierung bis hin zur flexiblen Aneinanderkettung von Verarbeitungsmodulen stellt die Plattform umfangreiche Werkzeuge für die Anwendung moderner maschineller Lernverfahren zur Verfügung.

Ergebnisse In den ersten zwei Jahren des Projekts wurde die Plattform entwickelt, auf dedizierten Servern bei den beteiligten Universitätskliniken in Betrieb genommen und basierend auf Standards erfolgreich in die heterogenen klinischen IT- und Softwarelandschaften eingebettet. Erste lokal entwickelte Analysemethoden wurden auf die Plattform portiert, und können nun in standortübergreifenden Studien evaluiert werden.

Schlußfolgerungen Durch die Etablierung einer einheitlichen Infrastruktur wurde die Grundlage für eine standardisierte Durchführung von multizentrischen Studien mit großen Fallzahlen geschaffen. Dies fördert die Entwicklung, Validierung und Anwendung von KI-Lösungen für die Analyse radiologischer Bilddaten.