Third party funded individual grant
Acronym: DFG 512819079
Start date : 01.01.2024
End date : 31.01.2024
Website: https://gepris.dfg.de/gepris/projekt/512819079
Deep learning has emerged as a key technology in biomedical image analysis, but is difficult to handle for non-experts due to the high demands on computing power and data management. This project will develop a platform to facilitate large-scale statistical analysis of multimodal biomedical imaging and patient data using state-of-the-art deep learning methods. The proposed infrastructure will provide access to state-of-the-art algorithms and define a standardized data infrastructure that can be easily deployed in heterogeneous environments. Our prototype will provide an effective mechanism for sharing pre-trained algorithms and advanced analytical tools. The platform is aimed at the biomedical research community and will provide scientists with novel, powerful and validated tools to address challenges such as image-based disease phenotyping and predictive modeling. State-of-the-art analysis pipelines will be implemented and packaged into user-friendly toolboxes that can be directly used in clinical workflows and enable the extraction of imaging biomarkers and quantitative measurements. Our approach is based on three basic principles: Data linkage (across systems), data stewardship (patient privacy and legal/ethical compliance) and data interoperability (use of public APls and open standards). To achieve this, we will build on an existing model: Data will be kept in a secure environment, using AI algorithms to train with sensitive patient data within our clinic's firewall. Two approaches will be supported: a secure learning orchestration server that will provide learning coordination for secure data enclaves at our partner hospital, the University Hospital Erlangen (UKER), and secure sandboxes that will enable model development in a secure environment hosted by the university at FAU. As in a federated learning paradigm, most of the models will move through our infrastructure, not the data. We will set up (and support) the infrastructure in these environments with support from the Department of Artificial Intelligence in Biomedical Engineering (AIBE) at FAU, the Radiology Department at UKER and the Regional Computing Center Erlangen (RRZE) to provide the required capabilities. Our proposed solution is highly interoperable and scalable for other clinics and enables integration e.g. with the Medical Informatics Initiative. This approach will provide secure and compliant access to the clinics' PACS and electronic patient records, and enable reproducible research.
Deep Learning hat sich als Schlüsseltechnologie in der biomedizinischen Bildanalyse herauskristallisiert, ist aber aufgrund der hohen Anforderungen an die Rechenleistung und die Datenverwaltung für Laien nur schwer zu handhaben. Im Rahmen dieses Projekts wird eine Plattform entwickelt, die die groß angelegte statistische Analyse von multimodalen biomedizinischen Bildgebungs- und Patientendaten mit modernsten Deep-Learning-Methoden vereinfachen soll. Die vorgeschlagene Infrastruktur wird den Zugang zu modernsten Algorithmen ermöglichen und eine standardisierte Dateninfrastruktur definieren, die leicht in heterogenen Umgebungen eingesetzt werden kann. Unser Prototyp wird einen effektiven Mechanismus für die gemeinsame Nutzung vortrainierter Algorithmen und fortschrittlicher Analysetools bieten. Die Plattform richtet sich an die biomedizinische Forschungsgemeinschaft und wird Wissenschaftlern neuartige, leistungsstarke und validierte Werkzeuge an die Hand geben, um Herausforderungen wie die bildbasierte Phänotypisierung von Krankheiten und die prädiktive Modellierung anzugehen. Neueste Analysepipelines werden implementiert und in benutzerfreundliche Toolboxen verpackt, die direkt in klinischen Arbeitsabläufen eingesetzt werden können und die Extraktion von bildgebenden Biomarkern und quantitativen Messungen ermöglichen. Unser Ansatz basiert auf drei Grundprinzipien: Datenverknüpfung (systemübergreifend), Datenverwaltung (Wahrung der Privatsphäre der Patienten und Einhaltung rechtlicher/ethischer Vorschriften) und Dateninteroperabilität (Verwendung öffentlicher APls und offener Standards). Um dies zu erreichen, werden wir auf einem bestehenden Modell aufbauen: Die Daten werden in einer sicheren Umgebung aufbewahrt, wobei KI-Algorithmen zum Training mit sensiblen Patientendaten innerhalb der Firewall unserer Klinik eingesetzt werden. Zwei Ansätze werden unterstützt: ein sicherer Lern-Orchestrierungsserver, der die Lernkoordination für sichere Datenenklaven in unserem Partnerkrankenhaus, dem Universitätsklinikum Erlangen (UKER), übernimmt, und sichere Sandboxen, die die Modellentwicklung in einer von der Universität gehosteten sicheren Umgebung an der FAU ermöglichen. Wie in einem föderierten Lernparadigma werden sich die meisten Modelle durch unsere Infrastruktur bewegen, nicht die Daten. Wir werden die Infrastruktur in diesen Umgebungen mit Unterstützung des Departments Artificial Intelligence in Biomedical Engineering (AIBE) der FAU, der Radiologieabteilung des UKER und des Regionalen Rechenzentrums Erlangen (RRZE) einrichten (und unterstützen), um die erforderlichen Fähigkeiten bereitzustellen. Unsere vorgeschlagene Lösung ist in hohem Maße interoperabel und skalierbar für andere Kliniken und ermöglicht die Integration z. B. mit der Medical Informatics Initiative. Dieser Ansatz wird einen sicheren und gesetzeskonformen Zugang zu den PACS und elektronischen Patientenakten der Kliniken bieten, und reproduzierbare Forschung ermöglichen.