Heidelberger BV: Challenges of Machine Learning – from Annotation to Productization
Die Produktentwicklung von Methoden des maschinellen Lernens in der Medizintechnik – wie der Einsatz tiefer neuronaler Netze (DNN) zur Objekterkennung oder Segmentierung medizinischer Bilddaten – erfordert langfristige Planung und stellt viele Unternehmen vor neue Herausforderungen. So erfordert das Training von DNNs eine ausreichend große Menge an qualitätsgesicherten und bereits annotierten Daten, die DSGVO-konform verarbeitet werden müssen. Eine weitere Herausforderung ist die Konzeption und das Training problemspezifischer DNNs für großvolumige Daten aus CT-/DVT- oder MR-Scannern. Diese werden schnell sehr speicherintensiv und stellen hohe Anforderungen an die Hardware, was bei der Produktentwicklung berücksichtigt werden muss.
Dies erfordert unter anderem die Anpassung bereits trainierter DNNs an die Hardwareanforderungen des Produkts. Für die Produktintegration sollte ein geeignetes, skalierbares DNN-Framework ausgewählt werden, das sich bei zukünftigen Produkterweiterungen leicht warten lässt. Allerdings handelt es sich hierbei um sehr neue Technologien, die sich rasant weiterentwickeln. Medizinprodukte in der EU unterliegen nach ihrer Markteinführung der Medizinprodukteverordnung (MDR). Diese verlangt eine Überwachung der Produktleistung und gegebenenfalls erforderliche Verbesserungen am Produkt. Dies stellt Anforderungen an das DNN-Produktdesign, um diese in Zukunft effizient verbessern zu können.
Die Präsentation enthält Beispiele und einen Erfahrungsbericht über die gesamte Prozesskette der Produktentwicklung in der Medizintechnik. Es werden Beispiele für einen qualitätsgesicherten Annotationsprozess gezeigt sowie halbautomatische Annotationswerkzeuge vorgestellt. Darüber hinaus gibt die Präsentation einen Einblick in den Entwurf und das Training von DNNs. Es werden Werkzeuge für die anschließende Produktisierung bereits trainierter DNNs präsentiert und ausgewählte DNN-Frameworks im Hinblick auf die Produktintegration erläutert.