Engineering FAIR Privacy-preserving Applications that Learn Histories of Disease

Dieses Projekt demonstriert die erfolgreiche Implementierung eines privatsphäreschützenden, generativen KI-Modells zur Vorhersage von Krankheitsverläufen als reine Browser-Anwendung, die ausschließlich auf Client-seitiger Inferenz basiert und damit die „Accessibility"-Komponente der FAIR-Prinzipien im medizinischen Bereich unterstreicht.

Das Wesentliche

🏥 Der „Privater Arzt" im Browser: Wie man KI schützt, ohne sie zu verstecken

Stellen Sie sich vor, Sie möchten einen sehr klugen, aber auch sehr neugierigen Arzt konsultieren, der Ihre gesamte Krankengeschichte kennt und Ihnen sagen kann, welche Gesundheitsprobleme Sie in Zukunft erwarten könnten. Normalerweise müssten Sie dafür Ihre sensiblen Patientenakten in einen riesigen, zentralen Rechenzentrumsserver schicken. Das ist wie das Versenden Ihrer privaten Tagebücher an eine fremde Firma, damit diese sie lesen und analysieren können. Das ist riskant und vielen unangenehm.

Diese Studie beschreibt einen genialen Trick, wie man diesen „Arzt" so umbaut, dass er direkt in Ihrem eigenen Browser arbeitet, ohne dass Ihre Daten jemals das Haus verlassen.

1. Das Problem: Die „Zentralen Rechenzentren"

Bisher mussten KI-Modelle wie das hier genannte „Delphi 2M" auf starken Servern laufen. Um eine Vorhersage zu treffen, mussten die Daten (Ihre Krankengeschichte) über das Internet dorthin geschickt werden.

• Die Gefahr: Wie bei einem Brief, der durch viele Hände geht, besteht immer das Risiko, dass er verloren geht oder von Unbefugten gelesen wird. Zudem gibt es strenge Datenschutzgesetze, die das oft verbieten.

2. Die Lösung: Der „Reise-Koffer" (ONNX)

Die Forscher haben eine clevere Lösung gefunden, die auf drei Säulen basiert:

• Der universelle Koffer (ONNX):
  Stellen Sie sich das KI-Modell wie einen komplexen Kochrezept vor, das ursprünglich nur in einer speziellen Sprache (PyTorch/Python) geschrieben war. Damit es überall funktioniert, haben die Forscher es in einen „universellen Koffer" gepackt, der ONNX heißt.

  • Die Analogie: Es ist wie ein Rezept, das nicht nur auf Deutsch, sondern auch auf Englisch, Französisch und Japanisch verstanden wird. Egal, welche „Küche" (Browser, Handy, Computer) Sie benutzen, das Rezept funktioniert immer gleich.

• Der eigene Koch (Client-Side Inference):
  Anstatt das Rezept an den zentralen Koch im Restaurant (den Server) zu schicken, nehmen Sie den Koffer mit nach Hause. Ihr eigener Browser (Ihr Computer) wird zum Koch.

  • Das Ergebnis: Sie kochen das Gericht (die Vorhersage) selbst. Niemand außer Ihnen sieht die Zutaten (Ihre Daten).

• Der Dolmetscher (JavaScript SDK):
  Damit Ihr Browser versteht, was in diesem universellen Koffer steht, haben die Forscher einen kleinen „Dolmetscher" (eine Software-Bibliothek) gebaut. Dieser Dolmetscher nimmt Ihre Eingaben (z. B. „Ich hatte im Alter von 40 Jahren eine Grippe"), wandelt sie in eine Sprache um, die der KI im Browser versteht, und rechnet das Ergebnis zurück in eine einfache Antwort für Sie.

3. Wie funktioniert das in der Praxis?

Stellen Sie sich eine Webseite vor, die wie ein digitales Patientenjournal aussieht.

1. Eingabe: Sie tippen Ihre Krankheitsgeschichte ein (z. B. „Diagnose X im Jahr 2010").
2. Die Magie: Der Browser rechnet im Hintergrund blitzschnell. Er nutzt eine Technologie namens WebAssembly (eine Art Turbo-Modus für Browser), damit die KI so schnell läuft wie auf einem Supercomputer, aber komplett lokal.
3. Ausgabe: Die Seite zeigt Ihnen sofort eine Vorhersage: „Basierend auf Ihrer Geschichte ist es wahrscheinlich, dass Sie im Alter von 65 Jahren Problem Y entwickeln."

Wichtig: Während dieser gesamten Zeit haben Ihre Daten niemals das Internet verlassen. Sie sind sicher in Ihrem eigenen Gerät geblieben.

4. Warum ist das so wichtig? (FAIR-Prinzipien)

Die Forscher nennen dies ein Beispiel für die FAIR-Prinzipien (Findbar, Zugänglich, Interoperabel, Wiederverwendbar).

• Interoperabel: Das Modell funktioniert mit jedem Browser, egal ob auf dem Handy oder dem Laptop.
• Wiederverwendbar: Da der Code offen ist, kann jeder das Rezept nehmen und es für andere Zwecke nutzen, ohne neue Daten zu sammeln.

5. Ein kleiner Haken (und die Zukunft)

Aktuell ist das Modell noch ein „Beweis des Konzepts". Es wurde mit synthetischen (künstlich erzeugten) Daten trainiert, ähnlich wie ein Pilot, der erst in einem Simulator fliegt, bevor er echte Passagiere transportiert. Die Vorhersagen sind also noch nicht perfekt genug für echte klinische Entscheidungen.

Aber die Technik funktioniert! In der Zukunft hoffen die Forscher, dass solche Apps nicht nur Vorhersagen treffen, sondern sich sogar selbst verbessern können, indem sie lernen, ohne dass die Daten jemals den Computer des Nutzers verlassen (durch eine Technik namens „Federated Learning").

Fazit

Diese Studie zeigt, dass wir die Zukunft der Medizin nicht opfern müssen, um unseren Datenschutz zu schützen. Wir können die „Super-KIs" zu uns nach Hause holen, statt unsere Daten zu ihnen zu schicken. Es ist, als würde man einen persönlichen Sicherheitsdienst mieten, der in Ihrem eigenen Haus wohnt, statt Ihre Geheimnisse in ein zentrales Archiv zu bringen.

Der Kern der Botschaft: KI muss nicht bedeuten, dass man seine Privatsphäre aufgeben muss. Mit der richtigen Technik (ONNX) kann die Intelligenz dort bleiben, wo sie hingehört: beim Nutzer.

Technische Zusammenfassung

Technische Zusammenfassung: Engineering FAIR Privacy-preserving Applications

1. Problemstellung
Die Vorhersage von Krankheitsverläufen (Health Trajectories) mittels generativer Transformer-Modelle (wie Delphi 2M) bietet großes Potenzial für die personalisierte Medizin. Derzeit ist der Einsatz solcher Modelle jedoch durch erhebliche Datenschutzbedenken eingeschränkt. Herkömmliche Architekturen erfordern das Senden sensibler Patientendaten an zentrale Cloud-Server zur Inferenz. Dies schafft regulatorische und ethische Hürden sowie Risiken für die Privatsphäre. Zudem ist die Wiederverwendbarkeit (Reusability) und Interoperabilität der Modelle oft eingeschränkt, da sie an spezifische Server-Umgebungen (z. B. PyTorch/GPU) gebunden sind.

2. Methodik
Das Projekt zielt darauf ab, das Delphi 2M-Modell in eine rein clientseitige Webanwendung zu überführen, sodass keine Daten den lokalen Browser verlassen. Der technische Ansatz folgt einem mehrstufigen Engineering-Prozess:

• Modellkonvertierung (PyTorch zu ONNX):
  Das ursprüngliche, in PyTorch trainierte Modell (basierend auf dem nanoGPT-Framework) wurde in das Open Neural Network Exchange (ONNX) Format konvertiert. ONNX dient als universelles Austauschformat, das das Modell von seinem Trainingsframework entkoppelt und eine Ausführung in verschiedenen Laufzeitumgebungen ermöglicht.
• Clientseitige Inferenz-Engine (WebAssembly & WebGPU):
  Um das ONNX-Modell im Browser auszuführen, wurde die ONNX Runtime Web eingesetzt. Diese nutzt WebAssembly (Wasm) als kompiliertes Binärformat für CPU-lastige Berechnungen und WebGPU für GPU-Beschleunigung, um nahezu native Leistung im Browser zu erreichen.
• Entwicklung einer maßgeschneiderten JavaScript-SDK:
  Eine zentrale Komponente ist eine benutzerdefinierte JavaScript-SDK, die die ONNX Runtime Web-API kapselt. Ihre Aufgaben umfassen:
  • Laden des ONNX-Modells und Initialisierung der Inferenz-Sitzung.
  • Preprocessing: Umwandlung menschlicher Eingaben (ICD-10-Codes, Alter) in strukturierte numerische Tensoren, die dem Eingabesignatur des Modells entsprechen.
  • Inferenz-Logik: Die Funktion generateTrajectory führt eine iterative Inferenz durch. Sie nutzt ein Sampling-Verfahren für „Time-to-Event", um basierend auf den Logits (Wahrscheinlichkeiten) zufällige Zeitpunkte bis zum nächsten Ereignis zu berechnen:
    $$t_{next} = -e^{\lambda} \cdot \ln(u)$$
    (wobei $u$ eine Zufallszahl ist). Das Ereignis mit dem minimalen vorhergesagten Zeitpunkt wird ausgewählt, und das Alter des Patienten wird aktualisiert.
  • Postprocessing: Umwandlung der Rohausgaben (Logits) zurück in lesbare Krankheitsereignisse und Altersangaben.
• Benutzeroberfläche:
  Die Anwendung wurde in ObservableHQ implementiert und bietet eine klinische Timeline-Ansicht, in der Nutzer Eingabesequenzen hinterlegen und Echtzeit-Projektionen ohne Server-Kommunikation erhalten.

3. Schlüsselbeiträge

• Architektonischer Durchbruch für Datenschutz: Demonstration einer vollständig clientseitigen Generative-AI-Inferenz, bei der sensible Gesundheitsdaten niemals das Endgerät des Nutzers verlassen.
• Umsetzung der FAIR-Prinzipien: Das Projekt adressiert spezifisch die Prinzipien Interoperabilität (I) durch den Einsatz von ONNX und Wiederverwendbarkeit (R), indem es die Inferenz-Pipeline von einer serverseitigen Python-Umgebung in eine plattformunabhängige JavaScript-Umgebung migriert.
• Proof-of-Concept für „Build Once, Run Anywhere": Das Modell läuft effizient auf einer Vielzahl von Geräten, von mobilen Endgeräten bis hin zu GPU-beschleunigten Desktops, ohne Installation oder Downloads.

4. Ergebnisse

• Erfolgreiche Migration: Die gesamte Inferenz-Pipeline wurde erfolgreich von PyTorch/GPU auf JavaScript/ONNX/WebAssembly übertragen.
• Funktionsfähige Anwendung: Eine Webanwendung (verfügbar unter https://epiverse.github.io/delphiTrajectories) wurde bereitgestellt, die es nicht-technischen Nutzern ermöglicht, Krankheitsverläufe vorherzusagen.
• Leistungsfähigkeit: Die Nutzung von ONNX Runtime mit Wasm und WebGPU ermöglichte eine hohe Rechenleistung im Browser, die für interaktive Anwendungen ausreicht.
• Limitationen: Die aktuelle Proof-of-Concept-Version wurde nur mit einem kleinen, synthetischen Datensatz (7.144 Patienten) trainiert und erreicht daher nicht die Vorhersagegenauigkeit des Originalmodells, das auf 400.000 realen Trajektorien basierte.

5. Bedeutung und Ausblick
Diese Arbeit liefert einen konkreten Bauplan für den sicheren Einsatz von Generativer KI in datenschutzsensiblen Bereichen wie der Medizin. Sie beweist, dass komplexe Inferenz-Aufgaben dezentral auf dem Endgerät des Nutzers durchgeführt werden können, was die Datenhoheit (Data Sovereignty) stärkt und regulatorische Hürden für den KI-Einsatz im Gesundheitswesen senkt.

Als zukünftige Schritte plant das Team die Integration von clientseitigem Fine-Tuning (z. B. durch aktives Lernen oder dezentrales Federated Learning), um Modelle kontinuierlich zu verbessern, ohne dass sensible Daten die lokale Umgebung verlassen. Dies unterstreicht das Potenzial von FAIR-Prinzipien, nicht nur für den Datenaustausch, sondern auch für die Architektur privater KI-Systeme.