Föderiertes Lernen im Gesundheitswesen: Krebs heilen, ohne Daten zu teilen
Die Tragödie der Datensilos
Stellen Sie sich fünf große Forschungskrankenhäuser in Europa vor: in Berlin, Paris, Amsterdam, Mailand und Madrid. Jedes Krankenhaus hat 1.000 Patienten mit einer spezifischen, seltenen Form von pädiatrischer Leukämie. Eine Stichprobengröße von 1.000 ist zu klein, um ein zuverlässiges Deep-Learning-Modell zu trainieren, das die Krankheit frühzeitig erkennt. Das Modell überanpasst sich; es lernt die spezifischen Eigenheiten des Berliner Scanners, nicht die Pathologie des Krebses.
Wenn man die Datensätze jedoch kombinieren könnte, hätte man 5.000 Patienten: einen Datensatz, der groß genug ist, um eine bahnbrechende diagnostische KI zu trainieren, die Tausende von Leben retten könnte.
In der alten Welt war dies unmöglich. Die DSGVO in Europa, HIPAA in den USA und strenge Vertraulichkeitsregeln für Patienten verbieten es strikt, rohe Patientendaten von Krankenhaus A an Krankenhaus B zu senden oder sie auf einen zentralen Cloud-Server eines Technologiekonzerns hochzuladen.
So liegen die Daten in Silos. Die KI wird nie trainiert. Das Muster bleibt unentdeckt. Patienten sterben.
Das ist die Tragödie von Datenschutz versus medizinischem Fortschritt. Es ist eine Sackgasse. Aber es ist eine Sackgasse, die wir mit Mathematik durchbrechen können.
Föderiertes Lernen: Die Umkehrung des Trainings
Föderiertes Lernen (FL) kehrt das Standardparadigma des KI-Trainings vollständig um.
Der Standardansatz (zentralisiert): Sammle alle Daten aus allen Quellen in einem massiven zentralen Datensee. Trainiere das Modell auf dem See.
Der föderierte Ansatz (dezentralisiert): Lasse die Daten dort, wo sie sind. Sende das Modell zu den Daten.
So funktioniert es in der Praxis, Schritt für Schritt:
- Initialisierung: Ein zentraler Server (der Koordinator) erstellt ein „leeres" oder vortrainiertes globales Modell.
- Verteilung: Der Server sendet eine Kopie dieses Modells an jedes der 5 Krankenhäuser.
- Lokales Training: Jedes Krankenhaus trainiert das Modell lokal mit seinen eigenen privaten Patientendaten. Dieses Training findet auf den eigenen sicheren Servern des Krankenhauses hinter dessen Firewall statt. Die rohen Patientendaten verlassen den Keller nie.
- Erzeugung von Updates: Der lokale Trainingsprozess erzeugt ein „Modell-Update": eine Reihe mathematischer Anpassungen an den Gewichten (Synapsen) des neuronalen Netzes. Es sagt im Wesentlichen: „Um Krebs besser zu erkennen, erhöhe Neuron #45 um 0,1 und senke Neuron #92 um 0,05."
- Aggregation: Das Krankenhaus sendet nur dieses Modell-Update (die Mathematik) zurück an den zentralen Server. Keine Patientennamen, keine Röntgenbilder, keine Bluttestergebnisse. Nur eine Datei mit Gleitkommazahlen.
- Mittelung: Der zentrale Server sammelt die Updates von allen 5 Krankenhäusern. Er mittelt sie zusammen (mit einem Algorithmus wie Federated Averaging), um ein neues, intelligenteres globales Modell zu erstellen.
- Wiederholung: Das neue globale Modell wird zurück an die Krankenhäuser gesendet, und der Zyklus wiederholt sich.
Die mathematische Magie
Die Magie dieses Prozesses besteht darin, dass das globale Modell intelligenter wird, als ob es mit allen 5.000 Patienten trainiert worden wäre, obwohl es keinen von ihnen jemals direkt „gesehen" hat. Es lernt die Muster der Krankheit (die in allen Krankenhäusern gemeinsam sind), ohne die Identitäten der Patienten zu lernen (die für jedes Krankenhaus einzigartig sind).
Es entkoppelt die Fähigkeit zu lernen von der Notwendigkeit zu sehen.
Defense in Depth: SMPC und differenzielle Privatsphäre
Paranoide Sicherheitsingenieure (wie wir bei Dweve) werden fragen: „Aber kann man die Patientendaten nicht aus dem Modell-Update zurückrechnen?"
Das ist eine berechtigte Sorge. Theoretisch könnte ein böswilliger zentraler Server aus einem sehr spezifischen Modell-Update ableiten, dass „Patient X im Krankenhaus Berlin die Erkrankung Y gehabt haben muss".
Um dies zu verhindern, legt Dweve zwei zusätzliche kryptografische Technologien über das föderierte Lernen:
1. Sichere Mehrparteienberechnung (SMPC)
Dies ist ein kryptografisches Protokoll, das es dem zentralen Server ermöglicht, die Summe der Updates zu berechnen, ohne jemals die einzelnen Updates zu sehen.
Stellen Sie sich vor, drei Personen möchten ihr Durchschnittsgehalt berechnen, aber niemand möchte sein Gehalt den anderen preisgeben. SMPC ermöglicht ihnen dies. Der Server sieht das aggregierte Ergebnis, kann es aber mathematisch nicht wieder in die einzelnen Eingaben zerlegen. Der Server weiß buchstäblich nicht, welches Krankenhaus welches Update gesendet hat.
2. Differenzielle Privatsphäre (DP)
Wie in unserem Artikel zum Datenschutz erläutert, fügen wir den lokalen Updates statistisches Rauschen hinzu, bevor sie das Krankenhaus verlassen. Dies „verwischt" den Beitrag jedes einzelnen Patienten und ermöglicht so mathematisch bewiesene Anonymität.
Auswirkungen in der Praxis
Wir setzen diese Technologie derzeit mit einem Konsortium europäischer Onkologiezentren ein. Sie trainieren ein Tumordetektionsmodell über Ländergrenzen hinweg (Deutschland, Frankreich, Niederlande), ohne gegen eine einzige Datenschutzverordnung zu verstoßen. Sie lösen das Problem der Datenübertragung nach „Schrems II", indem sie schlicht keine Daten übertragen.
Das ist die Zukunft der medizinischen Forschung. Sie erschließt den enormen, brachliegenden Wert der weltweiten Gesundheitsdaten. Sie ermöglicht es uns, Krankheiten als globale, kollektive Spezies zu bekämpfen und dabei die Privatsphäre des Einzelnen zu respektieren.
Wir müssen uns nicht zwischen Privatsphäre und Gesundheit entscheiden. Wir müssen uns nicht zwischen dem Einzelnen und dem Kollektiv entscheiden. Mit Federated Learning können wir beides haben.
Bereit, das Potenzial Ihrer Gesundheitsdaten zu erschließen, ohne die Privatsphäre Ihrer Patienten zu gefährden? Die Federated-Learning-Infrastruktur von Dweve ermöglicht bahnbrechende medizinische KI über institutionelle Grenzen hinweg und gewährleistet dabei die vollständige Einhaltung von DSGVO und HIPAA. Kontaktieren Sie uns, um zu erfahren, wie kollaborative KI Ihre Forschungskapazitäten transformieren kann.