Basismodell für Biomarker-Erkennung gestartet
Ein neuer Multitasking-Ansatz zum Schulen von KI macht es möglich, Basismodelle mit einem Minimum an Daten kosteneffizient und schnell zu trainieren. Damit überwinden Forschende die Datenknappheit in der medizinischen Bildgebung – und können so Leben retten. Die Zahl der Krebserkrankungen steigt laut Weltgesundheitsorganisation (WHO) weltweit signifikant an. Zentral für eine sichere Diagnose und erfolgreiche Therapie sind eindeutige Indikatoren, auch Biomarker genannt. Lernfähige KI-Systeme tragen dazu bei, solche messbaren Parameter in pathologischen Bildern aufzuspüren. Forschenden des Fraunhofer-Instituts für Digitale Medizin MEVIS ist es in Zusammenarbeit mit der RWTH Aachen, der Universität Regensburg und der Hannover Medical School gelungen, hierfür ein Basismodell zu entwickeln, das Gewebeproben anhand eines Bruchteils der üblichen Trainingsdatensätze schnell, zuverlässig und ressourceneffizient analysiert. Weg von großen Datenmengen und selbstüberwachtem Lernen Klassische Basismodelle, etwa Sprachmodelle wie ChatGPT, werden selbstüberwacht mit großen, diversen Datensätzen trainiert. Diese liegen jedoch bei medizinischen…




