EMPAIA - Ecosystem for pathology diagnostics with AI assistance

Abstract

Derzeitiger Stand von Wissenschaft und Technik: Der wissenschaftliche und technische Stand der digitalen Pathologie zeigt erhebliche Fortschritte bei der Nutzung von KI, insbesondere durch verbesserte Bildanalyseverfahren. Trotz dieser Fortschritte bestehen Herausforderungen wie die Notwendigkeit großer, qualitativ hochwertiger Datensätze und die Gewährleistung der Interpretierbarkeit von KI-Entscheidungen. Die fehlende Standardisierung der IT-Infrastruktur behindert zudem die breite klinische Implementierung und multizentrische Bewertung von KI-Lösungen. Begründung und Zielsetzung des Vorhabens: Die digitale Pathologie hat durch KI und fortschrittliche Bildanalyseverfahren erhebliche Fortschritte gemacht. Trotz dieser Entwicklungen bestehen Herausforderungen wie die Notwendigkeit großer, qualitativ hochwertiger Datensätze und die Sicherstellung der Interpretierbarkeit von KI-Entscheidungen. Ein weiteres Hindernis ist die fehlende Standardisierung der IT-Infrastruktur, die die breite klinische Implementierung und multizentrische Bewertung von KI-Lösungen erschwert. Das EMPAIA-Projekt zielte darauf ab, diese Hürden durch die Entwicklung offener und herstellerunabhängiger Standards, den Aufbau einer Referenzinfrastruktur, den Aufbau von Referenzzentren, die Publikation von Leitlinien, Beiträge zur KI-Erklärbarkeit sowie umfassende Schulungsprogramme zu überwinden. Ziel ist es, ein umfassendes Ökosystem zu schaffen, das die effektive und effiziente Nutzung validierter und zugelassener KI-Lösungen in der täglichen Praxis von Pathologen ermöglicht. Zudem soll ein Hersteller unabhängiger Standard für die Integration solcher Anwendungen in verschiedene Digitale Pathologie-Systeme etabliert werden. Durch diese Maßnahmen konnte die Verfügbarkeit und Akzeptanz von KI-Lösungen in der klinischen Praxis erhöht werden, was langfristig zu einer genaueren und schnelleren Diagnostik führt. Mit einem eigens entwickelten Viewer, dem Workbench-Client, konnte ein browserbasiertes Web-UI für Pathologen bereitgestellt werden, welches die Verwendung von EMPAIA-konformen Bildverarbeitungsanwendungen (AI-Apps) ermöglicht. Die Infrastruktur wurde cloudbasiert und on-premise für die EMPAIA-Referenzzentren zur Verfügung gestellt. Methoden: EMPAIA App API: Um die Kompatibilität von AI-Apps für unterschiedliche Digitale Pathologie Systeme zu ermöglichen, haben wir die EMPAIA App-Schnittstelle spezifiziert, einen offenen und herstellerneutralen Standard für die Integration von KI-Lösungen in Pathologie-Softwaresysteme. Die API wurde in enger Zusammenarbeit mit assoziierten Industriepartnern und unter besonderer Berücksichtigung ihrer Anforderungen entwickelt. Um die Übernahme der EMPAIA App-Schnittstelle zu erleichtern, haben wir eine umfassende Dokumentation veröffentlicht, die die technische Umsetzung aus Sicht der Entwickler von KI-Apps und Pathologie-Software-Systemen beschreibt. Darüber hinaus haben wir die EMPAIA App Test Suite veröffentlicht, eine Open-Source-Toolbox zur automatischen Überprüfung der Konformität einer bestimmten KI-App.21 Mit der Dokumentation und der Test Suite konnten Drittentwickler ihre Anwendungen ohne weitere Beratung integrieren und testen. Das EMPAIA App Interface ist in die EMPAIA-Plattform integriert. EMPAIA Plattform: Diese im EMPAIA-Projekt aufgebaute dezentrale Service-Architektur (Plattform) wurde hauptsächlich mit Python 3.8 und dem modernen HTTP-API-Framework FastAPI entwickelt. FastAPI ermöglicht die asynchrone Verarbeitung von eingehenden HTTP-Anfragen über die asyncio-Implementierung von Python. Mehrere FastAPI-Worker-Prozesse können über die Asynchronous Server Gateway Interface (ASGI) Implementierung Uvicorn gestartet werden, um die verfügbaren Compute-Ressourcen vollständig auszunutzen. Die Kommunikation von Dienst zu Dienst ist mit der Python-Bibliothek aiohttp [44] implementiert, die asynchrone Webanfragen ermöglicht und in einem asynchronen FastAPI-Request-Handler verwendet werden kann. Sie ermöglicht auch die Implementierung von Proxy-Routen, bei denen der Inhalt einer HTTP-Anfrage eines Dienstes durch einen anderen Dienst gestreamt wird. Dies ist besonders nützlich, wenn mehrere API-Schichten aufgebaut werden, um unterschiedliche Abstraktions- und Autorisierungsebenen bereitzustellen. Die Dienste werden mithilfe von Docker-Container-Images gebündelt. Docker unterstützt die Open Container Initiative (OCI) Image-Spezifikation, so dass die Container-Laufzeit austauschbar ist. Test- und Produktionsumgebungen werden auf Linux-Servern unter Verwendung von docker-compose bereitgestellt. Docker ermöglicht auch die Bereitstellung für Entwickler auf einem lokalen Linux-, Windows- oder Mac-Rechner. Für die Plattform wurden eine Reihe von APIs entwickelt, die die komfortable Einbindung von DP-Komponenten ermöglicht: Global API, Medical Data API, Workbench API, Compute API sowie eine App API.Die Authentifizierungsmechanismen werden von einem globalen Authentifizierungsdienst koordiniert, der dem OAuth2-Standard folgt. XAI - Erklärbarkeit von KI: Zunächst wurden bestehende Erklärungsmethoden untersucht, die auf bildbasierte Deep-Learning-Modelle anwendbar sind. Danach haben wir ein hochmodernes modellagnostisches Erklärbarkeits-Framework entwickelt, einschließlich effizienter Optimierungsalgorithmen, die viele bestehende modellagnostische Methoden durch eine drastische Reduzierung des Sampling-Aufwands beschleunigen. Wir haben diese Ergebnisse zusammen mit Implementierungen für mehrere Sampling-basierte XAI-Methoden als Open-Source-Bibliothek veröffentlicht. Modellagnostische Methoden können verwendet werden, um Feature-Attribution-Heatmaps in Fällen zu generieren, in denen kein Zugang zum Modell besteht (externe Auswertung) oder das Modell selbst nicht differenzierbar ist. Ein weiterer Grund kann die Einführung neuer Modellarchitekturen oder Übertragungsfunktionen sein, für die es noch keine reversiblen Ansätze gibt. Modellagnostische Methoden sind mit höheren Ausführungskosten verbunden. Sie lassen sich jedoch kostengünstiger an viele verschiedene Modelle anpassen, so dass sie bei der Massenvalidierung einer großen Anzahl verschiedener ML-Modelle helfen können, wenn diese vor dem Einsatz in praktischen Anwendungen evaluiert werden. Ergebnis: Die EMPAIA-Initiative hat für die Anwendung von KI in der Digitalen Pathologie signifikante Fortschritte erzielt, insbesondere im Bereich der Standardisierung. Durch die Entwicklung technischer Interoperabilitätsstandards wurde die Integration von KI-Lösungen in diagnostische Workflows wesentlich effizienter gestaltet. Dies umfasst die Verwaltung von Fall- und Probeninformationen durch ein AP-LIS sowie die Verarbeitung und Archivierung von WSIs durch ein Image Management System (IMS). Standardisierte Schnittstellen erleichtern die Integration von KI-Apps, wodurch Integrationskosten und -zeiten erheblich reduziert wurden. Ein zentrales Ergebnis ist die hochgradig modulare EMPAIA-Plattform, die verschiedene Systeme der Labor-IT-Infrastruktur integriert. Die Plattform enthält vorgefertigte Komponenten wie einen Virtual Microscopy Viewer und Datenmanagement-Funktionalitäten. Zudem wurden 14 KI-basierte Bildanalyse-Apps von acht verschiedenen Anbietern erfolgreich mit Hilfe der von EMPAIA vorgeschlagenen Standardschnittstelle integriert, was deren praktische Anwendbarkeit und ihren Nutzen demonstriert. Durch den Aufbau von 15 Referenzzentren in Deutschland, Europa und Asien konnte die EMPAIA-Plattform in realen klinischen Umgebungen getestet und wertvolles Feedback gesammelt werden. Umfassende Nutzerstudien und Evaluierungen bestätigten die Praktikabilität und den Nutzen der KI-gestützten Anwendungen, was zu kontinuierlichen Verbesserungen führte. Ein weiterer Schwerpunkt lag auf der Erklärbarkeit von KI-Algorithmen (XAI). Die Entwicklung benutzerfreundlicher Methoden zur Erklärbarkeit von KI-Entscheidungen soll die Transparenz und das Vertrauen in die KI-Ergebnisse erhöhen, insbesondere für Pathologen, die diese Erklärungen für ihre diagnostische Entscheidungsfindung benötigen. Um die Erfolge des EMPAIA-Ansatzes zu verstetigen, das entstandene Ökosystem nachhaltig zu etablieren und die Standardisierung stärker mit den etablierten Standards (IHE, DICOM) zu verbinden wurde der gemeinnützige Verein EMPAIA International e.V. mit Sitz in Berlin gegründet. Die kontinuierliche Weiterentwicklung der Plattform und ihrer Dienste wird sicherstellen, dass zukünftige Anforderungen erfüllt und die Interoperabilität zwischen verschiedenen Digitalen Pathologie Systemen ermöglicht wird. Schlussfolgerung/Anwendungsmöglichkeiten: Die EMPAIA-Initiative hat durch die Entwicklung technischer Interoperabilitätsstandards und die Schaffung einer hochgradig modularen Software-Architektur signifikante Fortschritte bei der Integration von KI-Lösungen in Digitale Pathologie Systeme erzielt. Diese Standards ermöglichen eine effiziente Interaktion von KI-Lösungen mit verschiedenen Systemen in der IT-Infrastruktur von Laboren. Die EMPAIA-Plattform demonstriert, wie unterschiedliche Systeme innerhalb der Labor-IT-Infrastruktur integriert werden können, um die Nutzung von KI zu erleichtern. Dank ihrer offenen und modularen Struktur können Softwarehersteller und Labor-IT-Administratoren die Plattform als Vorlage und Testumgebung für maßgeschneiderte Implementierungen nutzen. Die Einführung der EMPAIA-Plattform wird die Interoperabilität zwischen verschiedenen Digitale Pathologie Systemen verbessern, was den Integrationsaufwand für Softwareanbieter reduziert und Pathologen den Zugang zu einer größeren Vielfalt an KI-Werkzeugen ermöglicht. Letztendlich wird dies die Markteintrittsbarrieren für KI-Anbieter senken und die Verfügbarkeit innovativer Methoden beschleunigen, was zu einer verbesserten diagnostischen Präzision und Effizienz in der klinischen Praxis führen wird.