Zwischen Potenzial und klinischen Hürden

Da keine Anbieterplattform vollständig geeignet war, begann das Team mit der Entwicklung und dem Testen eines eigenen KI-Modells und -Systemen:

Modellauswahl

Das MVP nutzte ein bestehendes forschungsbasiertes Modell, das aus einem Open-Source-Basismodell (DINOv2 von Meta AI) adaptiert wurde. Konkret nutzte das Team den Ansatz Block Expanded DINORET (Adaption eines natürlichen Bildbasismodells für die Netzhautbildgebung). Dadurch war es möglich, auf modernsten Vision-Modellarchitekturen aufzubauen, ohne noch einmal neu anfangen zu müssen.

Training und Validierung

Das Projektteam validierte das individuelle Modell anhand verschiedener ophthalmologischer Datensätze, damit es diabetische Retinopathie (und möglicherweise andere Netzhautbefunde) genau erkennen kann. Ferner setzte das Projektteam auf den Zugriff auf grosse Datensätze (z. B. durch Beantragung von Netzhautbildern der UK Biobank), um die Validierungsqualität zu verbessern.

Vorteile eines internen Modells

Die interne Entwicklung des Modells bot mehrere Vorteile: Das Team hatte die volle Kontrolle über die Modellleistung und die Transparenz des Entscheidungsprozesses der KI. Das Modell konnte für die eigene Patientenkohorte der Klinik optimiert werden (unter Berücksichtigung der lokalen Bevölkerungsmerkmale). Zudem vermeidet der Ansatz die Bindung an einen bestimmten Anbieter. Dadurch kann das Modell möglicherweise über diese Klinik hinaus wiederverwendet oder erweitert werden (zum Nutzen anderer Kliniken oder der Forschung).

Herausforderungen

Das Projekt stiess auch auf Herausforderungen, die bei der Entwicklung kundenspezifischer KI häufig auftreten. Die Beschaffung von annotierten Datensätzen für das Training war arbeitsintensiv. Für das Training, das Finetuning und die Inferenz des Modells waren erhebliche Rechenressourcen erforderlich. Zudem war eine enge klinische Zusammenarbeit notwendig, um die Modellausgaben festzulegen und seine Performance zu bewerten. Weiter erwiesen sich die Governance- und Genehmigungsverfahren für den Einsatz von KI in einem klinischen Umfeld als komplex – etwa die Entscheidung, ob die interne KI als Medizinprodukt gemäss MDR klassifiziert werden sollte und wie die Aufsicht durch die Ethikkommission erreicht werden kann (siehe Kapitel 8).

MVP-Einrichtung

Der erste MVP lief auf einer lokalen PC-Workstation innerhalb des Spitalnetzwerks und erforderte zunächst GPU-gestützte Rechenleistung. In einem späteren Schritt wurde die Pipeline so optimiert, dass sie ausschliesslich mit CPU-Rechenleistung betrieben werden kann. Dieses Setup hatte direkten Zugriff auf den Datenpool des Spitals und ermöglichte die Entwicklung einer grafischen Benutzeroberfläche (GUI) für das Klinikpersonal. Die Entscheidung für eine lokale Bereitstellung wurde bewusst getroffen, um die Patientendaten vor Ort zu behalten und schnelle Iterationen ohne Cloud-Abhängigkeiten zu ermöglichen.

Auswirkungen

Die Entscheidung für ein selbst entwickeltes Open-Source-Modell hatte positive Auswirkungen, etwa die Vermeidung laufender Lizenzgebühren, die Beseitigung der Abhängigkeit von externen Anbietern und die Förderung des internen Know-hows. Allerdings gab es auch negative Auswirkungen: Das Spital muss die Wartung und die iterative Verbesserung des Modells übernehmen, was einen kontinuierlichen Aufwand und spezielles Fachwissen erfordert, das eine Anbieterlösung normalerweise bereitstellen würde. Zusammenfassend musste das Team die Vorteile in Bezug auf Kosten und Flexibilität gegen den Aufwand für langfristigen Support und Entwicklung abwägen.