Forscher fördern datensichere KI für die Analyse von chirurgischen Videos auf Patientenebene

Künstliche Intelligenz (KI) eröffnet neue Möglichkeiten, aus Videoaufzeichnungen von chirurgischen Verfahren klinisch relevante Informationen zu extrahieren. Chirurgische Videos können Krankheitsmerkmale erfassen, die mit KI analysiert werden können, wodurch neue Möglichkeiten geschaffen werden, individuelle Patientenrisiken besser zu verstehen und die klinische Entscheidungsfindung in der Zukunft zu unterstützen.

NEJM AI Cover Bild © 2026 Massachusetts Medical Society

Ein internationales Team um Forscher des Else Kröner Fresenius Center (EKFZ) für digitale Gesundheit an der TUD und dem Universitätsklinikum Dresden hat gezeigt, dass mehrere Krankenhäuser gemeinsam KI-Modelle für die chirurgische Videoanalyse ausbilden können, ohne sensible Patientendaten auszutauschen. Ihre Proof-of-Concept-Studie, die in NEJM AI veröffentlicht wurde, führt diesen neuen Datenschutz-Ansatz ein, während eine zweite Veröffentlichung in Scientific Data einen einzigartigen multizentrischen Datensatz öffentlich zugänglich macht, um weitere Forschungen in dieser Richtung zu unterstützen. In Zukunft könnte eine KI-basierte chirurgische Videoanalyse dazu beitragen, eine personalisiertere ostoperative Versorgung von Patienten zu ermöglichen.

Ein neuer Ansatz für die kollaborative KI-Entwicklung

Die Entwicklung von KI-Modellen aus chirurgischen Videoaufnahmen steht vor zwei großen Herausforderungen: Die Videos zeigen hochkomplexe Prozesse und sind oft mehrere Stunden lang, was sie aufgrund großer Dateigrößen schwierig zu analysieren macht, und Datenschutzbestimmungen, die den Austausch von Videodaten zwischen Institutionen einschränken. Um diese Herausforderungen anzugehen, kombinierten die Forscher zum ersten Mal zwei KI-Ansätze in der chirurgischen Videoanalyse: Swarm Learning, das dezentrale KI-Schulungen über mehrere Institutionen hinweg ermöglicht, ohne sensible Patientendaten auszutauschen, und Multiple Instance Learning, eine Machine-Learning-Methode, mit der Modelle Ergebnisse auf Patientenebene aus Sammlungen von Bildern und Datenpunkten lernen können, anstatt detaillierte Anmerkungen Frame für Frame zu erfordern.

Diese Kombination ermöglicht es uns, KI gemeinsam zu entwickeln und gleichzeitig klinische Daten in den Krankenhäusern zu speichern, in denen sie generiert wurden“, erklärt Dr. Fiona Kolbinger, eine der leitenden Co-Autoren des Papiers. "Gleichzeitig kann das Modell aus längeren Videoabschnitten oder sogar ganzen Prozeduraufzeichnungen lernen, anstatt sich auf arbeitsintensive Frame-by-Frame-Anmerkungen zu verlassen."

Proof-of-Concept mit Appendektomie-Videos

Für die Studie stellten die Forscher einen multizentrischen Datensatz von 397 laparoskopischen Appendektomie-Videos zusammen, die über etwa eineinhalb Jahre aus sechs klinischen Zentren in Deutschland und Portugal gesammelt wurden. Zusätzlich zu den chirurgischen Videos umfasst der Datensatz Patientenmerkmale (Alter, Geschlecht, Körper-Massen-Index), klinische Informationen (medizinische Vorgeschichte, Symptome, Labortestergebnisse), Behandlungsdetails und Expertenbewertungen des Krankheitsstadiums. Mit diesem Datensatz trainierte das Team KI-Modelle, um das Stadium der Blinddarmentzündung direkt aus kompletten chirurgischen Videos vorherzusagen. Der dezentrale Swarm Learning-Ansatz erzielte eine Leistung, die mit dem konventionellen zentralisierten Modelltraining vergleichbar ist, und zeigte, dass eine kollaborative KI-Entwicklung möglich ist, ohne sensible klinische Daten zu teilen und zu sammeln. Die Vorhersage des Anhängestadiums wurde absichtlich als relativ einfache klinische Aufgabe gewählt. Die Studie schafft die methodische Grundlage für die Anwendung dieses Ansatzes auf komplexere und klinisch relevantere Fragen.

Eine wertvolle Ressource für die Forschungsgemeinschaft

Neben dem Proof-of-Concept-Study veröffentlichten die Forscher den Entwicklungsdatensatz in Scientific Data. Die offen verfügbare Ressource enthält 330 reale Appendektomie-Videos von fünf deutschen Institutionen zusammen mit abgestimmten klinischen Metadaten und Expertenanmerkungen. Im Gegensatz zu den meisten öffentlich verfügbaren chirurgischen Videodatensätzen, die Videos allein enthalten, verknüpft dieser Datensatz chirurgische Aufzeichnungen mit klinischen Informationen und Ergebnissen auf Patientenebene. Die Autoren hoffen, dass diese Ressource die Entwicklung und Bewertung von klinisch sinnvollen KI-Methoden für die chirurgische Versorgung beschleunigen wird.

 Auf dem Weg zur personalisierten postoperativen Versorgung

Die Forscher sehen ihre Arbeit als einen wichtigen ersten Schritt in Richtung KI-Systeme, die die personalisierte chirurgische Versorgung unterstützen. In Zukunft könnten ähnliche Methoden dazu beitragen, Patienten mit erhöhtem Risiko für postoperative Komplikationen zu identifizieren oder langfristige Ergebnisse nach komplexen Krebsoperationen vorherzusagen, indem sie chirurgische Videos mit zusätzlichen klinischen Daten kombinieren. In einem nächsten Schritt planen die Forscher ein Multicenter-Projekt unter der Leitung der Klinik für Viszeral-, Thorax- und Gefäßchirurgie des Universitätsklinikums Dresden, das sich auf die Darmkrebschirurgie konzentriert, um die Methodik in einem komplexeren klinischen Umfeld weiterzuentwickeln und zu bewerten. Die Studie veranschaulicht, wie schutzsichere KI integrative Forschung über Institutionen hinweg ermöglichen und gleichzeitig sensible Patientendaten schützen kann – eine wichtige Voraussetzung, um vertrauenswürdige KI in die routinemäßige chirurgische Praxis zu bringen.

Bild: Dr. Fiona Kolbinger

"Was dieses Projekt besonders bemerkenswert macht, ist, dass es fast ausschließlich durch das freiwillige Engagement von Klinikern und Forschern in den sechs teilnehmenden Zentren angetrieben wurde“, sagt Fiona Kolbinger. "Die meisten dieser Krankenhäuser haben kein primäres Forschungsmandat, aber sie haben ihre Zeit investiert, weil sie das Potenzial von KI erkennen, die chirurgische Versorgung zu verbessern."

Diese Forschung ist eine gemeinsame Anstrengung über mehrere Institutionen hinweg:

• EKFZ für Digitale Gesundheit, Medizinische Fakultät und Universitätsklinikum Carl Gustav Carus, TUD Dresden Technische Universität
• Institut für Translational Surgical Oncology, Nationales Zentrum für Tumorerkrankungen (NCT/UCC) Dresden
• Klinik für Viszerale, Thorax- und Gefäßchirurgie, Klinik für Kinderchirurgie, Klinik für Medizin I, Universitätsklinikum Carl Gustav Carus, Medizinische Fakultät, TUD Dresden Technische Universität
• Zentrum für taktiles Internet mit Human-in-the-Loop (CeTI), TUD Dresden Technische Universität
• Nationales Zentrum für Tumorerkrankungen (NCT), Medizinische Onkologie, Universitätsklinikum Heidelberg
• Asklepios-ASB Krankenhaus Radeberg
• Allgemeines Krankenhaus Dresden-Friedrichstadt, Klinik für Allgemein- und Viszeralchirurgie, Dresden
• Elisabeth Krankenhaus Ravensburg, Abteilung für Allgemeinmedizin, Viszerale und Thoraxchirurgie, Ravensburg
• Joseph-Stift Krankenhaus Dresden
• Diakonissener Krankenhaus Dresden
• Krankenhaus Prof. Dr. Fernando Fonseca, Lissabon, Portugal

Eine vollständige Liste der beteiligten Institutionen finden Sie in den Originalpublikationen.

Oliver L. Saldanha et al.: Privacy-Preserveing Surgical Video Analysis with Swarm Learning – Ergebnisse einer multinationalen Appendektomie-Kohorte, NEJM AI, 2026.

Vollständige Veröffentlichung lesen

Fiona Kolbinger et al.: Anhang300: Chirurgische Video- und Patientenmetadaten von 330 laparoskopischen Blinddarmfällen aus fünf Institutionen, Scientific Data, 2026.

Vollständige Veröffentlichung lesen

Quelle: Technische Universität Dresden - Else Kröner Fresenius Zentrum für digitale Gesundheit

NEJM AI Cover Bild © 2026 Massachusetts Medical Society