FedPref verbetert gestructureerde extractie van radiologierapporten

Onderzoekers hebben een nieuwe methode gepresenteerd die ziekenhuizen in staat stelt om gezamenlijk algoritmes te trainen voor het uitlezen van medische dossiers. Deze techniek, federatieve leeranalyse genoemd, richt zich specifiek op het omzetten van ongestructureerde radiologieteksten naar bruikbare, gestructureerde gegevens. Hierdoor kunnen medische instellingen datamodellen verbeteren zonder dat gevoelige informatie over patiënten de eigen beveiligde omgeving verlaat.

Samenwerken met behoud van privacy

Het extraheren van specifieke medische informatie uit vrije tekst is doorgaans een uitdaging vanwege strenge privacyregels en de versnippering van data over verschillende zorginstellingen. Door lokaal gemaakte annotaties te gebruiken in combinatie met federatieve leermethoden, kunnen systemen toch gezamenlijk leren van elkaars bevindingen. Dit draagt bij aan nauwkeurigere analyses en ondersteunt de workflow binnen de radiologie.

Deze ontwikkeling sluit aan bij een bredere trend in de medische sector, waar de druk groeit om kunstmatige intelligentie te benutten zonder in te leveren op de bescherming van patiëntgegevens. Methodes die samenwerking op afstand mogelijk maken zonder fysieke data-uitwisseling winnen daarom aan belang binnen het wetenschappelijk onderzoek.