Verbund

SWAG - SchWArmlernen und Generative Modelle zur Synthese und Nutzbarmachung hochqualitativer Daten in der Krebsmedizin

In der modernen Krebsforschung fallen immer umfangreichere Datensätze an (Big Data). Die Daten stammen aus molekularen und biochemischen Analysen, modernen Bildgebungsverfahren, klinischen Studien oder bilden Krankheitsverläufe von Patientinnen und Patienten ab. Diese Datenschätze gilt es in Zukunft zu heben. Neue computergestützte Ansätze der Datennutzung, modernste Methoden der Künstlichen Intelligenz, des Maschinellen Lernens und der Statistik haben einen hohen Stellenwert für die verbesserte Analyse und Extraktion forschungsrelevanter Informationen. Mit dieser Förderrichtlinie im Rahmen der Nationalen Dekade gegen Krebs beabsichtigt das BMBF Forschungsgruppen aus dem Bereich der Datenanalyse einen niederschwelligen Zugang zu hochqualitativen Daten aus der translationalen, biomedizinischen Krebsforschung und der onkologischen Routineversorgung zu ermöglichen. Zeitgleich arbeiten Forschende aus den Bereichen der Datengewinnung und Datenanalyse eng zusammen, um miteinander klinisch relevante onkologische Fragen anzugehen. Darüber hinaus soll die Kultur des Datenteilens für Forschungszwecke gefördert werden.

Das Projekt SWAG entwickelt KI-Methoden zum Nierenzellkarzinom, die aus echten Patientendaten synthetische Daten generieren. Es werden generative KI-Algorithmen über mehrere Krankenhäuser hinweg mittels Schwarmlernen gemeinsam trainiert, ohne die eigentlichen Daten auszutauschen. Diese so entstandenen pseudonymisierten synthetischen Daten werden nach definierten Kriterien qualitätsgeprüft, damit die klinisch relevanten Informationen enthalten sind, aber kein Bezug mehr zu sensiblen Patientendaten besteht. Ziel ist ein multizentrisches, generatives Modell, das realistische synthetische Daten erzeugt. In einem Datenanalyse-Wettbewerb werden diese Daten genutzt, um vorhersagbare KI-Modelle zu verbessern. Digitale Lehrmaterialien werden für Betroffene sowie Fachkräfte erstellt, welche die Theorie hinter und den Nutzen von synthetischen Daten in der Medizin erklären.

Teilprojekte

Standort Universitätsklinikum Würzburg

Förderkennzeichen: 01KD2215A
Gesamte Fördersumme: 235.957 EUR
Förderzeitraum: 2022 - 2024
Projektleitung: Univ.-Prof. Dr. Bettina Baeßler
Adresse: Universitätsklinikum Würzburg, Institut für Diagnostische und Interventionelle Radiologie
Oberdürrbacher Str. 6
97080 Würzburg

Standort Universitätsklinikum Würzburg

Bösartige Tumore der Niere sind vergleichsweise selten und werden oft zufällig diagnostiziert. Es ist aktuell nicht gut vorhersehbar, wie sich die Erkrankung individuell entwickeln wird. Verfahren der künstlichen Intelligenz (KI) können hier Abhilfe schaffen, indem sie anhand medizinischer Daten klinische Parameter vorhersagen. Allerdings benötigt das Training von KI-Modellen sehr viele Daten. Bei einer seltenen Erkrankung wie dem Nierenzellkarzinom bzw. für komplexere Fragestellungen wie der Vorhersage der Überlebenszeit ist das Sammeln ausreichend großer Datenmengen schwierig - nicht zuletzt, da die Weitergabe an Dritte aus Datenschutzgründen problematisch ist. Das Projekt SWAG wird hierfür eine Lösung entwickeln, indem KI-Methoden entwickelt werden, die aus echten Patientendaten synthetische Daten generieren. Diese synthetischen Daten werden durch Experten nach definierten Kriterien qualitätsgeprüft, damit die klinisch relevanten Informationen enthalten sind, aber kein Bezug mehr zu sensiblen Patientendaten mehr besteht. Hierzu werden diese generativen KI-Algorithmen über mehrere Krankenhäuser hinweg mittels Schwarmlernen gemeinsam trainiert, ohne die eigentlichen Daten austauschen zu müssen. Das Verfahren stellt eine Alternative zum föderierten Lernen mit zentralem Server dar. Am Ende des Projekts SWAG steht ein multizentrisches, generatives Modell, das realistische synthetische Daten erzeugt. Diese synthetischen Daten werden qualitativ und quantitativ evaluiert und klinisch relevante Entscheidungsmodelle trainiert, um sie gemeinsam mit der gesamten Technologie öffentlich verfügbar zu machen. In diesem Zusammenhang wird eine Data-Challenge veranstaltet, in welcher Teilnehmende die synthetischen Daten nutzen, um prognostische KI-Modelle zu verbessern. SWAG wird somit technische Innovationen schaffen, um die Versorgung von Patientinnen und Patienten mit Nierenzellkarzinom und anderen Tumorerkrankungen zu verbessern.

Standort Universitätsklinikum Aachen

Förderkennzeichen: 01KD2215B
Gesamte Fördersumme: 192.511 EUR
Förderzeitraum: 2022 - 2024
Projektleitung: Dr. Daniel Truhn
Adresse: Rheinisch-Westfälische Technische Hochschule Aachen, Fakultät 10, Medizin und Universitätsklinikum,Klinik für Diagnostische und Interventionelle Radiologie
Pauwelsstr. 30
52074 Aachen

Standort Universitätsklinikum Aachen

Bösartige Tumore der Niere sind vergleichsweise selten und werden oft zufällig diagnostiziert. Es ist aktuell nicht gut vorhersehbar, wie sich die Erkrankung individuell entwickeln wird. Verfahren der künstlichen Intelligenz (KI) können hier Abhilfe schaffen, indem sie anhand medizinischer Daten klinische Parameter vorhersagen. Allerdings benötigt das Training von KI-Modellen sehr viele Daten. Bei einer seltenen Erkrankung wie dem Nierenzellkarzinom bzw. für komplexere Fragestellungen wie der Vorhersage der Überlebenszeit ist das Sammeln ausreichend großer Datenmengen schwierig - nicht zuletzt, da die Weitergabe an Dritte aus Datenschutzgründen problematisch ist. Das Projekt SWAG wird hierfür eine Lösung entwickeln, indem KI-Methoden entwickelt werden, die aus echten Patientendaten synthetische Daten generieren. Diese synthetischen Daten werden durch Experten nach definierten Kriterien qualitätsgeprüft, damit die klinisch relevanten Informationen enthalten sind, aber kein Bezug mehr zu sensiblen Patientendaten mehr besteht. Hierzu werden diese generativen KI-Algorithmen über mehrere Krankenhäuser hinweg mittels Schwarmlernen gemeinsam trainiert, ohne die eigentlichen Daten austauschen zu müssen. Das Verfahren stellt eine Alternative zum föderierten Lernen mit zentralem Server dar. Am Ende des Projekts SWAG steht ein multizentrisches, generatives Modell, das realistische synthetische Daten erzeugt. Diese synthetischen Daten werden qualitativ und quantitativ evaluiert und klinisch relevante Entscheidungsmodelle trainiert, um sie gemeinsam mit der gesamten Technologie öffentlich verfügbar zu machen. In diesem Zusammenhang wird eine Data-Challenge veranstaltet, in welcher Teilnehmende die synthetischen Daten nutzen, um prognostische KI-Modelle zu verbessern. SWAG wird somit technische Innovationen schaffen, um die Versorgung von Patientinnen und Patienten mit Nierenzellkarzinom und anderen Tumorerkrankungen zu verbessern.

Standort Universität Mainz

Förderkennzeichen: 01KD2215C
Gesamte Fördersumme: 209.031 EUR
Förderzeitraum: 2022 - 2024
Projektleitung: Dr. Sebastian Försch
Adresse: Universitätsmedizin der Johannes Gutenberg-Universität Mainz, Institut für Pathologie
Langenbeckstr. 1
55131 Mainz

Standort Universität Mainz

Bösartige Tumore der Niere sind vergleichsweise selten und werden oft zufällig diagnostiziert. Es ist aktuell nicht gut vorhersehbar, wie sich die Erkrankung individuell entwickeln wird. Verfahren der künstlichen Intelligenz (KI) können hier Abhilfe schaffen, indem sie anhand medizinischer Daten klinische Parameter vorhersagen. Allerdings benötigt das Training von KI-Modellen sehr viele Daten. Bei einer seltenen Erkrankung wie dem Nierenzellkarzinom bzw. für komplexere Fragestellungen wie der Vorhersage der Überlebenszeit ist das Sammeln ausreichend großer Datenmengen schwierig - nicht zuletzt, da die Weitergabe an Dritte aus Datenschutzgründen problematisch ist. Das Projekt SWAG wird hierfür eine Lösung entwickeln, indem KI-Methoden entwickelt werden, die aus echten Patientendaten synthetische Daten generieren. Diese synthetischen Daten werden durch Experten nach definierten Kriterien qualitätsgeprüft, damit die klinisch relevanten Informationen enthalten sind, aber kein Bezug mehr zu sensiblen Patientendaten mehr besteht. Hierzu werden diese generativen KI-Algorithmen über mehrere Krankenhäuser hinweg mittels Schwarmlernen gemeinsam trainiert, ohne die eigentlichen Daten austauschen zu müssen. Das Verfahren stellt eine Alternative zum föderierten Lernen mit zentralem Server dar. Am Ende des Projekts SWAG steht ein multizentrisches, generatives Modell, das realistische synthetische Daten erzeugt. Diese synthetischen Daten werden qualitativ und quantitativ evaluiert und klinisch relevante Entscheidungsmodelle trainiert, um sie gemeinsam mit der gesamten Technologie öffentlich verfügbar zu machen. In diesem Zusammenhang wird eine Data-Challenge veranstaltet, in welcher Teilnehmende die synthetischen Daten nutzen, um prognostische KI-Modelle zu verbessern. SWAG wird somit technische Innovationen schaffen, um die Versorgung von Patientinnen und Patienten mit Nierenzellkarzinom und anderen Tumorerkrankungen zu verbessern.

Standort Universität Heidelberg

Förderkennzeichen: 01KD2215D
Gesamte Fördersumme: 216.270 EUR
Förderzeitraum: 2022 - 2024
Projektleitung: Jun. Prof. Dr. Sandy Engelhardt
Adresse: Universität Heidelberg, Medizinische Fakultät und Universitätsklinikum Heidelberg, Medizinische Klinik, Innere Medizin III, Kardiologie, Angiologie und Pneumologie
Im Neuenheimer Feld 410
69120 Heidelberg

Standort Universität Heidelberg

Bösartige Tumore der Niere sind vergleichsweise selten und werden oft zufällig diagnostiziert. Es ist aktuell nicht gut vorhersehbar, wie sich die Erkrankung individuell entwickeln wird. Verfahren der künstlichen Intelligenz (KI) können hier Abhilfe schaffen, indem sie anhand medizinischer Daten klinische Parameter vorhersagen. Allerdings benötigt das Training von KI-Modellen sehr viele Daten. Bei einer seltenen Erkrankung wie dem Nierenzellkarzinom bzw. für komplexere Fragestellungen wie der Vorhersage der Überlebenszeit ist das Sammeln ausreichend großer Datenmengen schwierig - nicht zuletzt, da die Weitergabe an Dritte aus Datenschutzgründen problematisch ist. Das Projekt SWAG wird hierfür eine Lösung entwickeln, indem KI-Methoden entwickelt werden, die aus echten Patientendaten synthetische Daten generieren. Diese synthetischen Daten werden durch Experten nach definierten Kriterien qualitätsgeprüft, damit die klinisch relevanten Informationen enthalten sind, aber kein Bezug mehr zu sensiblen Patientendaten mehr besteht. Hierzu werden diese generativen KI-Algorithmen über mehrere Krankenhäuser hinweg mittels Schwarmlernen gemeinsam trainiert, ohne die eigentlichen Daten austauschen zu müssen. Das Verfahren stellt eine Alternative zum föderierten Lernen mit zentralem Server dar. Am Ende des Projekts SWAG steht ein multizentrisches, generatives Modell, das realistische synthetische Daten erzeugt. Diese synthetischen Daten werden qualitativ und quantitativ evaluiert und klinisch relevante Entscheidungsmodelle trainiert, um sie gemeinsam mit der gesamten Technologie öffentlich verfügbar zu machen. In diesem Zusammenhang wird eine Data-Challenge veranstaltet, in welcher Teilnehmende die synthetischen Daten nutzen, um prognostische KI-Modelle zu verbessern. SWAG wird somit technische Innovationen schaffen, um die Versorgung von Patientinnen und Patienten mit Nierenzellkarzinom und anderen Tumorerkrankungen zu verbessern.

Standort Technische Universität Dresden

Förderkennzeichen: 01KD2215E
Gesamte Fördersumme: 179.884 EUR
Förderzeitraum: 2022 - 2024
Projektleitung: Prof. Dr. Jakob Kather
Adresse: Technische Universität Dresden, Medizinische Fakultät, Else Kröner-Fresenius Zentrum für Digitale Gesundheit
Fetscherstr. 74
01307 Dresden

Standort Technische Universität Dresden

Bösartige Tumore der Niere sind vergleichsweise selten und werden oft zufällig diagnostiziert. Es ist aktuell nicht gut vorhersehbar, wie sich die Erkrankung individuell entwickeln wird. Verfahren der künstlichen Intelligenz (KI) können hier Abhilfe schaffen, indem sie anhand medizinischer Daten klinische Parameter vorhersagen. Allerdings benötigt das Training von KI-Modellen sehr viele Daten. Bei einer seltenen Erkrankung wie dem Nierenzellkarzinom bzw. für komplexere Fragestellungen wie der Vorhersage der Überlebenszeit ist das Sammeln ausreichend großer Datenmengen schwierig - nicht zuletzt, da die Weitergabe an Dritte aus Datenschutzgründen problematisch ist. Das Projekt SWAG wird hierfür eine Lösung entwickeln, indem KI-Methoden entwickelt werden, die aus echten Patientendaten synthetische Daten generieren. Diese synthetischen Daten werden durch Experten nach definierten Kriterien qualitätsgeprüft, damit die klinisch relevanten Informationen enthalten sind, aber kein Bezug mehr zu sensiblen Patientendaten mehr besteht. Hierzu werden diese generativen KI-Algorithmen über mehrere Krankenhäuser hinweg mittels Schwarmlernen gemeinsam trainiert, ohne die eigentlichen Daten austauschen zu müssen. Das Verfahren stellt eine Alternative zum föderierten Lernen mit zentralem Server dar. Am Ende des Projekts SWAG steht ein multizentrisches, generatives Modell, das realistische synthetische Daten erzeugt. Diese synthetischen Daten werden qualitativ und quantitativ evaluiert und klinisch relevante Entscheidungsmodelle trainiert, um sie gemeinsam mit der gesamten Technologie öffentlich verfügbar zu machen. In diesem Zusammenhang wird eine Data-Challenge veranstaltet, in welcher Teilnehmende die synthetischen Daten nutzen, um prognostische KI-Modelle zu verbessern. SWAG wird somit technische Innovationen schaffen, um die Versorgung von Patientinnen und Patienten mit Nierenzellkarzinom und anderen Tumorerkrankungen zu verbessern.