DIY-Blueprint für Challenge-Infrastruktur in der medizinischen KI
Der erste Beitrag — von Klausmann gemeinsam mit Tobias Rückert, David Rauber, Raphaela Märkl, Sümeyye R. Yildiran, Max Gutbrod und Prof. Dr. Christoph Palm verfasst — beschreibt, wie Forschende eigene KI-Benchmarking-Challenges kostengünstig und datensouverän selbst betreiben können. „Benchmarking ist ein essentieller Bestandteil von medizinischer KI-Forschung", erklärte Klausmann im Interview.
Statt auf teure kommerzielle Plattformen zurückzugreifen, stellt das ReMIC einen frei nutzbaren Blueprint vor, der auf Open-Source-Komponenten basiert und sich modular erweitern lässt. Als Praxisbeispiel diente die PhaKIR-Challenge (MICCAI 2024), die das Labor vollständig selbstgehostet ausrichtete und 14 Teams mit 18 internationalen Einreichungen anzog. (Link zur Publikation)
Automatische Erkennung von Tumorzellen über Laborgrenzen hinweg
Der zweite Beitrag von Max Gutbrod, David Rauber und Prof. Dr. Christoph Palm befasst sich mit der automatisierten Erkennung von Mitosen — sich teilenden Zellen — in mikroskopischen Gewebeschnitten. Die Häufigkeit solcher Zellteilungen ist ein wichtiger Hinweis auf die Aggressivität eines Tumors und wird routinemäßig bei der Krebsdiagnose bewertet.
Ein KI-Modell, das diese Erkennung übernehmen soll, steht dabei vor einem praktischen Problem: Bilder aus verschiedenen Laboren sehen durch unterschiedliche Geräte, Färbemethoden und Präparationstechniken sehr verschieden aus — selbst wenn dasselbe Gewebe untersucht wird. Ein Modell, das in einem Labor gut funktioniert, versagt daher oft in einem anderen.
Das ReMIC-Team entwickelte mit „DIRT" (Domain Invariant Representation Training) einen Ansatz, der das Modell gezielt trainiert, diese labortypischen Bildunterschiede zu ignorieren und sich stattdessen auf biologisch relevante Merkmale zu konzentrieren. In Tests mit zehn verschiedenen Labordatensätzen verbesserte DIRT insbesondere die Präzision, die im klinischen Umfeld wichtig ist, um die Zahl falsch-positiver Befunde zu verringern. (Link zur Publikation)
Beide Arbeiten sind am ReMIC unter der Leitung von Prof. Dr. Christoph Palm entstanden und dem Regensburg Center of Biomedical Engineering (RCBE) sowie dem Regensburg Center of Health Sciences and Technology (RCHST) der OTH Regensburg zugeordnet. Die BVM gilt als zentrale deutschsprachige Fachkonferenz für medizinische Bildverarbeitung; die OTH Regensburg war im Vorjahr selbst Ausrichterin der Veranstaltung.
