Karlsruhe, 13.10.2026 – Krankenhäuser müssen Patientendaten nicht zwingend untereinander austauschen, um gemeinsam leistungsfähige KI-Modelle für die Strahlentherapie zu entwickeln. Forschende des Karlsruher Instituts für Technologie (KIT) haben untersucht, wie das mit föderiertem Lernen funktionieren kann. Die Rohdaten bleiben dabei in den jeweiligen Kliniken; ausgetauscht werden lediglich Informationen darüber, wie die lokal trainierten Modelle angepasst wurden.

Das klingt technisch, löst aber ein sehr praktisches Problem: Datenschutzvorgaben und organisatorische Hürden machen den Austausch medizinischer Daten oft schwierig. Föderiertes Lernen soll trotzdem ermöglichen, das Wissen mehrerer Kliniken zu bündeln. Statt sensible Aufnahmen auf einen gemeinsamen Server zu laden, trainiert jedes Haus vor Ort eine eigene Modellkopie.

Virtuelle CT-Bilder für die Strahlentherapie

Für die Behandlung werden verschiedene Bildtypen benötigt. CT-Aufnahmen helfen unter anderem bei der Berechnung der Strahlendosis, MRT-Bilder stellen Organgewebe kontrastreich dar, und CBCT-Aufnahmen ermöglichen die präzise Positionierung während der Behandlung. KI-Modelle können aus vorhandenen Aufnahmen synthetische CT-Bilder erzeugen. In bestimmten Fällen könnten diese zusätzliche CT-Aufnahmen ersetzen – und damit weitere Röntgenstrahlung sowie den Abgleich verschiedener Bilddatensätze reduzieren.

Das KIT-Team entwickelte und testete dafür föderierte Verfahren zur Erzeugung synthetischer CT-Bilder im Kopf-Hals-Bereich. Die Ergebnisse zeigen: Entsprechende Modelle lassen sich über mehrere Kliniken hinweg trainieren, ohne sensible Patientendaten zu übertragen. Ganz ohne Sicherheitsfragen geht es trotzdem nicht. Untersucht wurde auch, ob sich einzelne Patientendaten aus trainierten Modellen rekonstruieren lassen.

Laut der Untersuchung konnten die Systeme mit vergleichsweise kleinen Anpassungen gegen bekannte Angriffe auf die Datensicherheit abgesichert werden. Je nach Modellarchitektur senkten weitere Optimierungen den Rechenaufwand und die CO₂-Emissionen um 9 bis 23 Prozent, ohne dass die Qualität der synthetischen Bilder schlechter wurde. Gerade kleinere Kliniken könnten von diesem geringeren Rechenbedarf profitieren.

Hier könnte Ihr Advertorial stehen
Ein Advertorial bietet Unternehmen die Möglichkeit, ihre Botschaft direkt im redaktionellen Umfeld zu platzieren

Die Arbeiten umfassen Veröffentlichungen zur föderierten MRT-zu-CT-Synthese, zur CBCT-zu-CT-Übersetzung im Kopf-Hals-Bereich, zu Sicherheitsanalysen föderierter medizinischer Bildübersetzung und zu energieeffizientem föderiertem Lernen.

Ein Server sieht Modellzahlen statt Rohbilder

Wie so ein Verfahren praktisch abläuft, beschreibt auch eine Studie zu föderiertem Lernen mit Schwarmintelligenz für die gemeinsame Analyse medizinischer Bilder. Jedes Krankenhaus trainiert lokal eine eigene Modellkopie und übermittelt nur numerische Modellaktualisierungen an einen zentralen Server. Der Server fasst diese zu einem globalen Modell zusammen und schickt es zurück. Die Rohbilder bleiben im jeweiligen Krankenhaus.

In der Studie arbeiteten vier simulierte Gesundheitszentren mit drei Bildtypen: Thorax-Röntgenaufnahmen im Zusammenhang mit COVID-19, Hautbilder möglicher Affenpocken und Mammographien zur Brustkrebsfrüherkennung. Das Verfahren soll unterschiedliche Patientengruppen ebenso abbilden können wie Krankenhausdatensätze, die sich nicht einfach zusammenführen lassen.

Für die automatische Optimierung kamen zwei Ansätze aus der Schwarmintelligenz zum Einsatz. Particle Swarm Optimization orientiert sich an der eigenen besten Lösung und an der besten Lösung des Schwarms. Der Firefly-Algorithmus lässt bessere Lösungen andere Lösungen anziehen – ein ziemlich bildhafter Name für etwas, das im Rechner aus Zahlen besteht.

Innerhalb der Krankenhäuser optimierten die Algorithmen die Auswahl relevanter Bildmerkmale sowie Lernparameter wie Schrittweite und Modelltiefe. Auf dem zentralen Server wurde außerdem das Gewicht der Beiträge einzelner Krankenhäuser anhand von Datenqualität und Modellleistung angepasst.

Getestet wurden tiefe konvolutionale neuronale Netze auf drei öffentlichen Datensätzen. Die Trainingsdaten wurden durch Datenaugmentierung erweitert. Die besten Ergebnisse lagen bei ungefähr 96,7 Prozent Genauigkeit für COVID-19-Thorax-Röntgenaufnahmen, 96,1 Prozent für Affenpocken-Hautbilder und 97,0 Prozent für Mammographien zur Brustkrebserkennung.

Gegenüber einfacheren föderierten Verfahren stieg die Genauigkeit um mehrere Prozentpunkte. Gleichzeitig sank die Zahl der Kommunikationsrunden zwischen Krankenhäusern und Server um etwa ein Viertel. Lokale Datenhaltung, gemeinsame Modelloptimierung und weniger Netzwerkverkehr werden dabei in einem Ansatz verbunden.

Nach Einschätzung der Autoren könnte die Methode auch kleineren oder abgelegenen Kliniken Zugang zu fortgeschrittenen diagnostischen KI-Werkzeugen verschaffen. Das passt zu den KIT-Ergebnissen: Weniger Rechenaufwand ist gerade dort relevant, wo keine großen IT-Ressourcen herumstehen.

Die Studie ist zitiert als: SayedElahl, M.A., Farouk, R.M., Ali, A.E. et al., „Federated learning with swarm intelligence for efficient and secure medical image analysis“, Scientific Reports 16, 14734 (2026).

Kontakt am KIT: Dr. Felix Mescoli, Telefon +49 721 608-41171, E-Mail felix.mescoli@kit.edu.