Epilepsie betrifft weltweit nahezu fünfzig Millionen Menschen und zählt weiterhin zu den häufigsten neurologischen Erkrankungen [1]. In vielen Fällen werden epileptische Anfälle durch fokale kortikale Dysplasien (FCDs) verursacht – subtile Abweichungen in der Gehirnentwicklung, die in konventionellen MRT-Aufnahmen nur schwer zu erkennen sind. Ihr Erscheinungsbild variiert stark zwischen Patientinnen und Patienten und geht häufig in das umliegende Gewebe über, was eine zuverlässige Identifikation selbst für erfahrene Spezialistinnen und Spezialisten erschwert [1,2]. Obwohl eine chirurgische Behandlung hochwirksam sein kann, sobald diese Läsionen identifiziert sind, erfordert ihre präzise Detektion ein Maß an Expertise, das nur in einer begrenzten Anzahl von Zentren verfügbar ist.

Diese diagnostische Herausforderung verdeutlicht ein übergeordnetes technisches Problem, das weit über die medizinische Bildgebung hinausgeht. Reale Daten sind selten statisch: Bedingungen ändern sich, Muster verschieben sich, und der Zugang zu spezialisierter Expertise ist häufig begrenzt. KI-Systeme, die unter kontrollierten Bedingungen gute Leistungen erbringen, haben oft Schwierigkeiten, sobald sie in Umgebungen eingesetzt werden, in denen sich Datenverteilungen im Laufe der Zeit verändern.

In diesem Artikel beschreiben wir, wie ein KI-System zur Unterstützung der Detektion subtiler Auffälligkeiten in MRT-Daten entwickelt wurde, warum kontinuierliches Lernen entscheidend für die Verbesserung seiner Zuverlässigkeit war und welche Erkenntnisse dieser Ansatz für den Aufbau von KI-Systemen liefert, die auch unter sich ändernden Bedingungen robust bleiben. Obwohl der Anwendungsfall aus der medizinischen Bildgebung stammt, sind die zugrunde liegenden Prinzipien auf jede Organisation übertragbar, die mit komplexen, variablen oder stark expertiseabhängigen Datenumgebungen arbeitet.

Statische Modelle verlieren an Leistungsfähigkeit, sobald sich ihre Datenumgebung verändert. Genau dies geschieht in nahezu allen realen Anwendungen: Scanner werden ausgetauscht, Patientenkollektive unterscheiden sich, Akquisitionsparameter variieren. Kann sich ein Modell an diese Veränderungen nicht anpassen, nimmt seine Genauigkeit ab, und es wird häufiges, kostspieliges Neutraining erforderlich. Kontinuierliches Lernen adressiert dieses grundlegende Problem, indem es KI-Systemen ermöglicht, mit neuen Bedingungen zu wachsen, ohne zuvor Erlerntes zu vergessen.

Da Modelle in realen Anwendungsszenarien häufig mit sich verändernden Daten und Rahmenbedingungen konfrontiert sind, gewinnt kontinuierliches Lernen zunehmend an Bedeutung. Es bietet einen Ansatz, KI-Systeme zu entwickeln, die über längere Zeiträume stabil und zuverlässig bleiben, anstatt bei jeder Veränderung der Umgebung zu versagen.

Kontinuierliches Lernen erlaubt es einem Modell, neue Erfahrungen zu integrieren, ohne bestehendes Wissen zu überschreiben. Biologische Gehirne leisten dies auf natürliche Weise: Synapsen werden verstärkt, wenn Erfahrungen relevant sind, und stabilisieren sich mit der Ausbildung von Erinnerungen. Verfahren wie Elastic Weight Consolidation (EWC) greifen dieses Prinzip auf, indem sie Parameter schützen, die für frühere Aufgaben besonders wichtig waren.

Replay-basierte Ansätze stabilisieren das „Gedächtnis“ des Modells, indem frühere Beispiele erneut eingebracht werden, ähnlich wie das menschliche Gehirn Lernen durch Träumen festigt. Architekturbasierte Methoden erweitern das Netzwerk, um neue Aufgaben aufzunehmen, während frühere Fähigkeiten erhalten bleiben, und spiegeln damit Prinzipien der Neurogenese wider.

Der Datensatz wurde in drei aufeinanderfolgende Verteilungen umgeformt, die reale Variationen widerspiegeln. Jedes Set enthielt eine geringe Anzahl von FCD-MRTs sowie eine deutlich größere Anzahl normaler oder nicht mit FCD assoziierter pathologischer Fälle.

Dabei kristallisierten sich zwei Strategien heraus. Die eine basierte auf klassischem Training über alle aggregierten Daten hinweg. Die andere setzte kontinuierliches Lernen ein, um neue Verteilungen zu integrieren und gleichzeitig zuvor erworbenes Wissen zu erhalten. Bei der Evaluation auf nachfolgenden Datensätzen erzielte der Ansatz des kontinuierlichen Lernens eine vergleichbare Sensitivität bei deutlich höherer Spezifität. Die Anzahl falsch-positiver Befunde nahm ab, insbesondere in frontalen und zentralen Hirnarealen. Betrachtete man ausschließlich normale MRTs, erreichte die Spezifität 90 Prozent.

Die Ergebnisse zeigen, dass adaptive Modelle nicht nur auf technischer Ebene funktionieren, sondern unter realen Bedingungen auch eine robuste und verlässliche Leistungsfähigkeit entwickeln. Diese genuine adaptive Intelligenz ermöglicht es dem System, stabil zu bleiben, während sich Datenverteilungen verändern, und schafft damit eine belastbare Grundlage für das Vorscreening in klinischen Arbeitsabläufen.

Dasselbe Prinzip gilt über die medizinische Bildgebung hinaus: Organisationen profitieren von KI-Systemen, die kontinuierlich weiterlernen, zuverlässig bleiben und sich mit ihren Umgebungen weiterentwickeln.