2. Preis Natur- und Technikwissenschaften
pexels / Andrea Piacquadio
John Kalkhof hat eine KI-Architektur für medizinische Einrichtungen konzipiert, die unter Einsatz von deutlich weniger Parametern auf ein genauso aussagekräftiges Ergebnis kommt wie ungleich größere Modelle. So verbessert der Informatiker maßgeblich die Voraussetzungen für den Einsatz von KI zum Beispiel in kleinen Haus- und Facharztpraxen.
Die Forschung
Effiziente KI für Diagnostik in der kleinsten Praxis
Text: Dorthe March
Wir alle nutzen im Alltag – ob privat oder beruflich – Künstliche Intelligenz (KI). Dabei ist uns häufig nicht bewusst, dass für den Betrieb und das Training von KI-Modellen enorme Mengen an Rechenoperationen und Speicherkapazität nötig sind – auch für KI-gestützte Bilddiagnostik in der Medizin. Das bedeutet, dass derzeit vor allem diejenigen Patient:innen von KI profitieren, die an infrastrukturell bestens ausgestattete Zentren angeschlossen sind – und dass viele kleinere medizinische Einrichtungen die Möglichkeiten moderner KI-Architekturen oft nicht oder nur sehr eingeschränkt nutzen können.
Um diese Kliniken und Praxen den großen Zentren gleichzustellen, hat John Kalkhof in seiner kumulativen Dissertation nun ein Modell entwickelt, mit dem künftig unter anderem MRT-, CT-, Röntgen- oder Ultraschall-Bilder von Körperteilen analysiert werden können. „Anstatt die Anzahl der Parameter weiter zu erhöhen, habe ich untersucht, wie sich zum Beispiel medizinische Zusammenhänge durch eine andere Organisation der Informationsverarbeitung abbilden lassen“, erklärt der Informatiker seine Arbeit.
Weniger kann genauso viel
Dafür arbeiten sogenannte Neuronale Zelluläre Automaten in einem KI-Modell, das ein Bild nicht in einem einzigen Vorwärtsschritt vollständig transformiert. „Das Modell besteht stattdessen aus lokal interagierenden Recheneinheiten. Konturen stabilisieren sich über mehrere Schritte hinweg, Gewebegrenzen werden verfeinert und inkonsistente Annahmen korrigiert“, erläutert Kalkhof. Die Architektur verwendet lediglich 13.000 trainierbare Parameter – zum Vergleich: Gängige Bildanalyse-Architekturen operieren häufig mit über 30 Millionen Parametern. So benötigt diese „Mini-KI“ viel weniger Speicher, Rechenkapazität und Energie. Das Wichtigste ist aber: Die Reduktion der Parameter führt nicht zu einem substanziellen Genauigkeitsverlust. Kalkhof hat seinen Ansatz von Anfang an für eine ressourcenbeschränkte Ausführung konzipiert. Die mobile Anwendung läuft sogar auf Smartphones und liefert binnen Sekunden verlässliche Ergebnisse.
„Das Modell besteht aus lokal interagierenden Recheneinheiten. Konturen stabilisieren sich über mehrere Schritte hinweg, Gewebegrenzen werden verfeinert und inkonsistente Annahmen korrigiert.“
John Kalkhof
Dem Informatiker ist sehr daran gelegen, dass sein Modell von der Industrie anwendbar gemacht und medizinischen Einrichtungen zur Verfügung gestellt wird, die beispielsweise in einem deutlich weniger entwickelten Teil der Welt Menschen versorgen. Gleichzeitig arbeitet er mit weiteren Wissenschaftler:innen in einer Netzwerkstruktur unter anderem an der Weiterentwicklung seines Modells. Selbst überträgt Kalkhof seine Ergebnisse auf weitere medizinische Anwendungsfälle: Künftig sollen auch demenzielle Erkrankungen frühzeitig per Mini-KI prognostiziert werden.
Der Preisträger
An seiner Promotionsuniversität, der Technischen Universität Darmstadt, studierte John Kalkhof (31) zunächst Informatik (B. A.) und Visual Computing (M. A.). Das erste Jahr seines Master-Studiums verbrachte er an der Hochschule Skövde (Schweden). Seit 2025 arbeitet Kalkhof als Wissenschaftlicher Mitarbeiter am Centre Inria d’Université Côte d’Azur im französischen Valbonne und forscht weiter am Einsatz Neuronaler Zellulärer Automaten in der Medizin.
Beitragstitel: Medizinische KI neu denken: Effizienz als Voraussetzung für Zugang
John Kalkhof
Kontakt: john.kalkhof@inria.fr
Promotion an der Technischen Universität Darmstadt, Fachgebiet Informatik
