Projekt | AnoMed

Sowohl in der Krankenversorgung in Kliniken als auch bei der Aufzeichnung von Gesundheitsdaten mit Smart-Geräten im privaten Bereich fällt eine große Menge medizinischer Daten an. Diese Daten können mithilfe neuer Algorithmen und Datenstrukturen für Big-Data-Analysen effizient gespeichert und ausgewertet werden. Mit den Erkenntnissen der Wissenschaft der Künstlichen Intelligenz können durch Verwendung der Big-Data-Auswertungsergebnisse intelligente Agenten zur Unterstützung von Menschen bezüglich ihrer Gesundheit entwickelt werden. Die Leistungen der intelligenten Agenten ermöglichen eine deutlich verbesserte Krankenversorgung. Dazu gehören z.B. Langzeitbeobachtungen zur Wirksamkeit von Medikamenten oder auch ganzheitliche, auf die Patientinnen und Patienten zugeschnittene Therapieansätze. Im Konflikt zum enormen Potential der Datenauswertung steht jedoch die Sensibilität medizinischer Daten, die als personenbezogene Daten den individuellen Rechten auf Privatsphäre und informeller Selbstbestimmung unterliegen. Um diesen Konflikt zu überwinden und die großen Mengen relevanter Daten medizinisch nutzbar zu machen, sind robuste Anonymisierungslösungen notwendig. Genau hier setzt AnoMed als eines von bundesweit fünf geförderten Kompetenzclustern zur Anonymisierung an.

Ziele und Vorgehen im Kompetenzcluster

Das Kompetenzcluster „Anonymisierung für medizinische Anwendungen“ (AnoMed) hat das Ziel, neue Technologien, Verfahren und Methoden zur Anonymisierung von Daten aus dem Gesundheitsbereich zu entwickeln. Dazu wird eine Plattform erarbeitet, die für einen langfristigen Deanonymisierungswettbewerb für medizinische Anwendungen zur Verfügung steht. Die Plattform bietet als sog. Privacy-Challenges eine Reihe medizinischer Referenzdatensätze, zugehörige Herausforderungen im Bereich des Datenschutzes sowie Angriffsszenarien der Deanonymisierung von medizinischen Daten. Ebenso sollen erste Pilotlösungen zur Anonymisierung entwickelt werden. Mit der AnoMed-Plattform verfolgen die Forschenden das Ziel, Hersteller und Anwender durch realistische und für die Nutzungsszenarien relevante Deanonymisierungsangriffe für Datenschutzrisiken zu sensibilisieren. Durch den Wettbewerb präsentieren sie konkrete Alternativen für Anonymisierungslösungen.

FB Künstliche Intelligenz in der Medizinischen Bildverarbeitung

Im Rahmen des Projektes wird am Forschungsbereich „Künstliche Intelligenz in der Medizinischen Bildverarbeitung“ des DFKI unter Leitung von Prof. Dr. Heinz Handels eine Privacy-Challenge für medizinische Videodaten von Personen erstellt. Diese wurden zum Zweck der Diagnose, der Therapiebestimmung und der Überwachung solcher Krankheiten aufgenommen, die spezifische Bewegungsänderungen im Gesicht verursachen. Im Projekt sollen für die automatisierte Auswertung der Videodaten unter Zuhilfenahme öffentlicher Daten in einem Vortrainingsschritt mit unüberwachten Deep-Learning-Verfahren geeignete Merkmalsextraktoren entwickelt werden. Dabei ist die Wahrung der Privatsphäre der einzelnen Personen wichtig, deren Daten verwendet werden. Für die notwendige Feinjustierung der Videodatenauswertungssysteme für spezielle Anwendungen ist die Entwicklung anonymisierender Verfahren ebenfalls zentral. In diesem Rahmen sollen zusätzlich Methoden für eine hochqualitative und zugleich anonymisierend durchgeführte Segmentierung medizinischer Videobilddaten entwickelt und evaluiert werden.

FB Stochastische Relationale KI im Gesundheitswesen

Im Rahmen des Projektes wird am Forschungsbereich „Stochastische Relationale KI im Gesundheitswesen“ des DFKI unter Leitung von Prof. Dr. Ralf Möller und Dr. Mattis Hartwig eine Privacy Challenge zur Synthetisierung von komplexen relationalen medizinischen Daten erstellt. Durch für einen konkreten Anwendungsbereich aus einem Modell synthetisierte Daten können intelligente Agenten zur Erkennung von speziellen Krankheiten durch Techniken des maschinellen Lernens erstellt werden. Es wird im Projekt AnoMed untersucht, inwieweit durch die Synthetisierung von Daten aus Modellen, die in einem Vortrainingsschritt in anonymisierender Form aus Daten gewonnen werden, die Privatsphäre der einzelnen Personen gewährleistet werden kann. Außerdem werden Evaluations- und Merkmalsextraktionsverfahren entwickelt, um die Synthesequalität bzw. die Gewährleistung von Privatsphäre zu verbessern. Neben Synthese-Verfahren aus dem Deep-Learning Bereich werden auch Methodiken aus dem Bereich dynamischer probabilistisch-relationaler Modelle genutzt.

Partner

• Universität zu Lübeck • Deutsches Forschungszentrum für Künstliche Intelligenz GmbH • Fraunhofer-Einrichtung für Individualisierte und Zellbasierte Medizintechnik IMTE • Universitätsklinikum Schleswig-Holstein • Unabhängiges Landeszentrum für Datenschutz Schleswig-Holstein (ULD) • UniTransferKlinik Lübeck GmbH • Universität Hamburg • Eppdata GmbH • Ingrano Solutions GmbH • Perfood GmbH