Fall Studie – In Zusammenarbeit mit Intel und apoQlar

Organisationen des Gesundheitswesens setzen auf innovative Technologien wie Mixed Reality, um Operationen zu planen und Ärzte effektiver zu schulen. Viele Krankenhäuser, medizinische Einrichtungen und Pharmaunternehmen haben jedoch bereits mit dem Umgang mit den persönlichen Daten ihrer Patienten zu kämpfen. Zunehmender Druck durch Vorschriften, neue Berichtsstandards und höhere Erwartungen der Patienten an den Datenschutz bedeuten, dass diese innovativen Technologien für Krankenhäuser Probleme bei der Einhaltung der Vorschriften verursachen können.

ShareMedix (ehemals Blue.GDPR) ist eine Lösung zur Anonymisierung von personenbezogenen Daten in Videos, Bildern, medizinischen Daten, Dokumenten und Sprache. Sie basiert auf Algorithmen des maschinellen Lernens, die durch die Intel-Distribution des OpenVINO-Toolkits beschleunigt werden, und kann helfen, persönlich identifizierbare Informationen (PII) wie Gesichter, Namen und Adressen in großen Mengen strukturierter und unstrukturierter Daten zu finden und zu maskieren.

Herausforderung

Aufgrund des zunehmenden Drucks durch die Gesetzgeber müssen Gesundheitseinrichtungen Wege finden, mit personenbezogenen Daten umzugehen, ohne die Privatsphäre ihrer Patienten zu gefährden.

• Die zuverlässige Anonymisierung von Daten stellt Krankenhäuser, von denen viele bereits über komplexe IT-Umgebungen verfügen, vor eine rechnerische Herausforderung.

• Das Nicklaus Children’s Hospital verwendet VSI HoloMedicine®, eine Lösung, die es Chirurgen ermöglicht, 2D-MRI-, CT- und andere DICOM-Bilder mithilfe der Mixed-Reality-Brille Microsoft HoloLens in 3D-Hologramme im realen Raum zu verwandeln. Um jedoch sicherzustellen, dass die Videos von der Brille für die medizinische Dokumentation gespeichert, als Schulungsmaterial verwendet und für Analysezwecke genutzt werden können, müssen die Daten anonymisiert werden.

Lösung

• ShareMedix (früher Blue.GDPR) läuft auf Intel®-Hardware auf der Cloud-Plattform Microsoft Azure und macht Gesichter unkenntlich, redigiert medizinische Dokumente und anonymisiert Patientendaten, um sie unkenntlich zu machen. So können Videos und Bilder verarbeitet werden, ohne dass einzelne Mitarbeiter oder Patienten identifiziert werden können.

Resultate

• Das Nicklaus Children’s Hospital kann VSI HoloMedicine® bei der Planung von Operationen und der Ausbildung von Ärzten einsetzen und gleichzeitig sicherstellen, dass es die Datenschutzbestimmungen einhalten kann.

• Das Krankenhaus plant bereits eine Ausweitung seiner Ausbildungsprogramme.

Medizinische Daten sind von extrem hohem Wert: Für Organisationen im Gesundheitswesen bergen sie das Potenzial, Leben zu retten, Personal zu schulen und neue Behandlungen zu entwickeln. Aber sie sind auch unglaublich sensibel – gesetzliche Vorschriften wie der Health Insurance Portability and Accountability Act (HIPAA) in den USA und die General Data Protection Regulation (GDPR) in der Europäischen Union legen strenge Regeln für den Umgang mit personenbezogenen Daten fest. Verstöße gegen diese Vorschriften können hohe Geldstrafen nach sich ziehen.

Auch die Einhaltung der Vorschriften wird immer schwieriger, da Krankenhäuser zunehmend mit Dritten zu tun haben, z. B. mit Versicherungsgesellschaften, die Zugang zu medizinischen Unterlagen verlangen, oder mit Patienten, die Zugang zu ihren eigenen Daten fordern. Erschwerend kommt hinzu, dass durch die Verbreitung neuer Technologien und Verfahren im Gesundheitswesen nicht nur mehr Daten, sondern auch neue Arten von Daten generiert werden – zum Beispiel 3D-Kameras für die Patientenüberwachung.

Der beste Weg für Krankenhäuser, regulatorische Probleme zu vermeiden, ist die Anonymisierung1 von Daten, bevor sie weitergegeben werden, indem personenbezogene Daten entfernt werden. Der Prozess der Anonymisierung medizinischer Daten stellt jedoch eine Herausforderung dar und hat seine Grenzen, insbesondere wenn es um Videodaten und genomische Informationen geht. Es erfordert hoch spezialisierte KI-Modelle, da die Datensätze, die mit medizinischen Daten verbunden sind, einzigartig sind (z. B. Videos, die während Operationen mit sichtbaren inneren Organen aufgenommen wurden). Die Modelle müssen auch robust sein – wenn ein Modell nicht einmal ein paar Bilder eines Videos anonymisieren kann, kann die Privatsphäre des Patienten gefährdet sein.

Außerdem werden neue IT-Lösungen in der Regel in bestehende komplexe IT-Umgebungen in Krankenhäusern integriert. Faktoren wie interne Vorschriften in Verbindung mit Softwarestandards und ein Mangel an Hardware, die speziell für die Ausführung von KI-Algorithmen optimiert ist, bedeuten, dass eine zuverlässige Anonymisierung aus rechnerischer Sicht eine Herausforderung darstellt.

Nicklaus Children’s Hospital: ein Zentrum für Innovation

Das Nicklaus Children’s Hospital in Miami ist das einzige zugelassene Fachkrankenhaus in Südflorida, das ausschließlich Kinder behandelt. Es verfügt über fast 800 behandelnde Ärzte und mehr als 475 pädiatrische Fachärzte. Als hochinnovatives Krankenhaus, das das größte pädiatrische Lehrprogramm im Südosten der Vereinigten Staaten beherbergt, setzt es zahlreiche Hightech-Lösungen ein, um den Betrieb zu unterstützen und die Ausbildung zu erleichtern.

Eine solche Lösung kam zustande, als das Krankenhaus beschloss, VSI HoloMedicine® zu implementieren, eine Lösung des Hamburger Unternehmens apoQlar. Sie ermöglicht es Ärzten, 3D-Bilder von Patienten zu verwenden, die durch eine Mixed-Reality-Brille betrachtet werden, die dem tatsächlichen Patienten überlagert ist, um anatomische Strukturen zu visualisieren, zu markieren und zu messen. Es gibt eine Vielzahl von Anwendungsfällen und ist besonders hilfreich bei der Planung von Operationen und bei der Ausbildung neuer Ärzte.

Um den ordnungsgemäßen Umgang mit personenbezogenen Daten in den neu erstellten Datentypen zu gewährleisten, nutzt VSI HoloMedicine® ShareMedix (früher Blue.GDPR), eine von TheBlue.AI entwickelte Lösung, die personenbezogene Daten in Videos, Bildern, medizinischen Daten, Dokumenten und Audiodaten zuverlässig anonymisieren1 kann. Dadurch wird sichergestellt, dass die Daten als Referenz- und Schulungsmaterial verwendet werden können und Gegenstand weiterer Analyseszenarien sind. Mithilfe eines KI-Algorithmus macht ShareMedix (altes Blue.GDPR) Gesichter unkenntlich, so dass Videos und Bilder mit minimalem Risiko für den Datenschutz von Mitarbeitern oder Patienten geteilt werden können.

Normalerweise werden KI-Modelle darauf trainiert, Gesichter anhand von Standardverhältnissen und Merkmalen zu erkennen, die allen menschlichen Gesichtern gemeinsam sind. In einem Operationssaal, wo Ärzte und Krankenschwestern Schutzausrüstung tragen, sind die Standardgesichtszüge nicht mehr sichtbar. Um dem medizinischen Bereich besser gerecht zu werden, wurde der Algorithmus hinter ShareMedix (ehemals Blue.GDPR) umfassend mit Daten und Bildern trainiert, die speziell für den medizinischen Bereich bestimmt sind, so dass alle Gesichter optimal erkannt und verschleiert werden können.

Details zur technischen Lösung

In diesem Abschnitt werden die Hardware, die Software und die Optimierungsrahmen beschrieben, die diese Lösung ermöglichen. Er soll Softwareentwicklern und Lösungsbauern helfen, die ähnliche Programme in ihrem eigenen Unternehmen einsetzen möchten.

Aufbau eines Datensatzes

theBlue.ai hat einen Datensatz erstellt, der aus kurzen Videoaufnahmen besteht, die jeweils eine Szene aus einem realen medizinischen Szenario wie einer Operation, einer medizinischen Untersuchung oder einer Schulung zeigen. Um die Zuverlässigkeit zu erhöhen, wurden die Videos in mehreren verschiedenen medizinischen Einrichtungen aufgenommen. Alle Videos wurden mit Microsoft HoloLens-Geräten und der Anwendung VSI HoloMedicine® aufgenommen.

Die Frames wurden von Hand beschriftet, um jeden menschlichen Kopf im Frame sowie die Form jedes Gesichts zu kennzeichnen. Der resultierende Datensatz bestand aus 1613 Einzelbildern mit rund 3500 beschrifteten Objekten.

Topologie

TheBlue.AI verwendet eine Variante einer beliebten und leistungsstarken Topologie zur Instanzsegmentierung – Mask R-CNN. Mask R-CNN ist ein zweistufiger Detektor mit einer zusätzlichen Instanzsegmentierungskomponente. Die erste Stufe, Region Proposal Network (RPN) genannt, ist für die Generierung von Bounding Boxes für die zu erkennenden Objekte verantwortlich. Die zweite Stufe – RoIPooling – prognostiziert, klassifiziert und verfeinert die Positionen dieser Boxen.

Der Input für den Detektor kommt von einem Resnet-50 Convolutional Neural Network (CNN), das durch ein zusätzliches Modul, das Feature Pyramid Network (FPN), erweitert wird. FPN erstellt Pyramidenmerkmale, die auf den Zwischenmerkmalen der einzelnen Resnet-Stufen aufbauen. Dies erhöht die Gesamtgeschwindigkeit und Genauigkeit des Modells.

Dann verwendet TheBlue.AI eine Variante von Mask-RCNN, die in der Intel® Distribution des OpenVINO™ Training Extensions Toolkits implementiert ist, das auf einem Pytorch-Framework aufbaut. Der Hauptunterschied zur ursprünglichen Version ist die Anzahl der in FPN-, RPN- und RoiHeads-Blöcken verarbeiteten Feature-Maps, die um den Faktor zwei verringert wurde. Dies führt zu erstaunlich schnellen Verarbeitungszeiten bei minimalem Verlust an Genauigkeit.

Abbildung 1. Eingabe (links) und anonymisierte Ausgabe (rechts) von Mask-RCNN.

Intel® Verteilung von OpenVINO™ Toolkit

Die Lösung nutzt CPU-basierte Azure-Instanzen, die mit Intel® Technologie ausgestattet sind, einschließlich Intel® Core™ i7 und i5 Prozessoren. Die Azure-Plattform ermöglicht es Entwicklern, die Vorteile der Intel-Distribution des OpenVINO-Toolkits voll auszuschöpfen. Das Toolkit basiert auf Convolutional Neural Networks (CNN) und erweitert die Verarbeitung über Intel®-Hardware, um die Leistung für anspruchsvolle Workloads zu steigern. Durch den Einsatz des Toolkits war TheBlue.AI in der Lage, extrem hohe Bilder pro Sekunde (FPS) von anonymisierten 1 Daten auszugeben.

Optimierung und Prüfung

Das ursprüngliche Modell wurde mit Pytorch trainiert und dient als Benchmark für die nachfolgenden Tests. Das Pytorch-Modell wurde in das ONNX-Format und anschließend in die OpenVINO-Zwischendarstellung (IR) exportiert. Es wurde die Intel® Distribution von OpenVINO™ Toolkit Version 2020.4.287 verwendet. Um die Reproduzierbarkeit zu gewährleisten, wurden alle Inferenztests mit der Intel® DevCloud for the Edge durchgeführt.

Die in reinem Pytorch durchgeführten Tests folgten den im Benchmark-Skript enthaltenen: Batchgröße war 1, Iterationen waren 10 und die FPS wurde als Batchgröße * Iterationen/Gesamtdauer ausgedrückt. Die Größe des Eingabebildes betrug 480×480 Pixel.

Blick nach vorn

Das Nicklaus Children’s Hospital kann weiterhin Pionierarbeit bei der Nutzung von Mixed Reality in der Medizin leisten und ist dank ShareMedix (ehemals Blue.GDPR) in der Lage, dies mit einem geringeren Risiko von regulatorischen Problemen zu tun. Es plant nun, 3D-Videos von Operationen am offenen Herzen für die Ausbildung online zur Verfügung zu stellen.

Abbildung 2. Testdaten für drei gängige Business-Class- und Server-CPUs.

Über theBlue.AI

theBlue.AI ist ein KI-Technologieanbieter mit Sitz in Hamburg. Ihre ShareMedix (früher Blue.GDPR) Technologie ermöglicht die Anonymisierung von persönlichen und branchenspezifischen Informationen in Dokumenten, Bildern, Videos und Audiodaten.

Über apoQlar

Die apoQlar GmbH ist ein Anbieter von Gesundheitstechnologie, der sich auf Mixed und Augmented Reality spezialisiert hat. Ihre Lösung VSI HoloMedicine® ermöglicht es Chirurgen, anatomische Strukturen während der chirurgischen Planung zu sehen – was ihnen hilft, die Präzision zu verbessern, Zeit zu sparen und Nachoperationen zu vermeiden.

Über Microsoft Azure

Microsoft Azure ist eine öffentliche Cloud-Computing-Plattform. Intel und Microsoft arbeiten eng zusammen, um sicherzustellen, dass die Plattform für die neuesten Intel® Technologien optimiert ist und ein breites Portfolio an intelligenten Diensten bietet.