Eine systematische Übersichtsarbeit zeigt, wie die Kombination von föderiertem Lernen (Federated Learning), Blockchain und erklärbarer Künstlicher Intelligenz (Explainable AI) die sichere und datenschutzkonforme Verwaltung sensibler Gesundheitsdaten verbessern kann. Die in der Fachzeitschrift Frontiers in Digital Health veröffentlichte Review analysierte 26 Studien aus den Jahren 2018 bis 2026. Die Autoren kommen zu dem Ergebnis, dass kein einzelnes Verfahren ausreicht, um die komplexen Anforderungen an Datenschutz, Sicherheit, Interpretierbarkeit und Skalierbarkeit in der modernen Gesundheitsversorgung zu erfüllen. Stattdessen empfehlen sie eine integrierte Architektur. Föderiertes Lernen ermöglicht es, KI-Modelle dezentral auf lokalen Daten zu trainieren, ohne sensible Patientendaten zentral zu speichern oder zu übertragen. Blockchain sorgt für unveränderliche Protokolle und vertrauenswürdige Datenaustauschprozesse. Explainable AI macht die Entscheidungen der Modelle für Ärzte nachvollziehbar. Ergänzt wird dies durch inkrementelle Optimierungsverfahren, die eine kontinuierliche Anpassung der Modelle ermöglichen. Die Analyse identifiziert zehn zentrale Herausforderungen, darunter hohe Kommunikationskosten,… 

Ein Forschungsteam hat ein neues KI-Modell entwickelt, das unerwünschte Arzneimittelwirkungen (Adverse Drug Reactions, ADRs) aus Beiträgen in sozialen Medien und Foren erkennen kann. Das Modell namens Mamba-ADR kombiniert ein State-Space-Modell (Mamba) mit Faltungsnetzen und einer Regressionskomponente. In Tests auf dem MedHelp-Datensatz erreichte Mamba-ADR eine F1-Score von 79,28 Prozent und übertraf damit bisherige Methoden. Besonders hervorzuheben ist die geringe Rechenkomplexität: Das Modell benötigt deutlich weniger Rechenleistung als vergleichbare Transformer-basierte Ansätze und eignet sich daher besser für den praktischen Einsatz. Das System analysiert informelle, oft unstrukturierte Texte aus Patientenforen und erkennt nicht nur, ob eine Nebenwirkung vorliegt, sondern kann auch deren Ausprägung quantifizieren. Dadurch lassen sich Unsicherheiten in der Annotation besser berücksichtigen als bei reinen Klassifikationsansätzen. Die Autoren sehen in Mamba-ADR eine vielversprechende Ergänzung zur klassischen Pharmakovigilanz. Während herkömmliche Meldesysteme oft unter Untererfassung leiden, können Social-Media-Daten frühzeitig Hinweise auf bisher unbekannte oder… 

Eine umfassende Übersicht beschreibt die wachsende Bedeutung sogenannter „sovereign AI supercomputers“ – national finanzierter und unter staatlicher Kontrolle stehender Hochleistungsrechner – für die biomedizinische Forschung. Diese Systeme ermöglichen die sichere Verarbeitung großer, sensibler Gesundheitsdaten und treiben KI-gestützte Anwendungen in der Krebsdiagnostik, personalisierten Medizin und Wirkstoffentwicklung voran. Die in der Fachzeitschrift Frontiers in Artificial Intelligence veröffentlichte Review analysiert die globale Verteilung und die technischen Kapazitäten dieser Infrastrukturen. Führend sind derzeit die USA mit Systemen wie Frontier und Aurora, gefolgt von Europa (u. a. JUPITER in Deutschland und LUMI in Finnland) und Asien (u. a. Tianhe-3 in China und Fugaku in Japan). Die Rechner erreichen Leistungen im Exaflops-Bereich und bieten die Rechenleistung, die für komplexe KI-Modelle in der Onkologie erforderlich ist. Ein zentrales Beispiel ist das britische „Cancer Vaccine AI & Supercomputing Project“. Auf dem nationalen Supercomputer „Dawn“ werden KI-Modelle mit über… 

Ein internationales Forschungsteam hat einen besonders leichten KI-Algorithmus entwickelt, der flüchtige organische Verbindungen (VOCs) in Atemgasgemischen präzise klassifizieren und quantifizieren kann. Die Technologie soll künftig die Grundlage für nicht-invasive Atemtests zur Früherkennung von Lungenkrebs liefern. Das Modell kombiniert ein Lightweight Local–Global Feature Fusion Network (LLGFN) mit einem GBDT–GRU-basierten Vorhersagemodell. In Experimenten mit synthetischen Gasgemischen aus Aceton, Ethanol und Isopropanol erreichte das System eine durchschnittliche Klassifikationsgenauigkeit von 96,2 Prozent – bei gleichzeitig sehr geringer Rechenlast. Das Modell ist so konzipiert, dass es auf portablen elektronischen Nasen (e-noses) eingesetzt werden kann. Es überwindet bisherige Limitationen bei der Modellierung langfristiger Abhängigkeiten und querkanaliger Korrelationen in Sensorsignalen und reduziert den Bedarf an manueller Merkmalsextraktion. Die Studie wurde in der Fachzeitschrift Frontiers in Bioengineering and Biotechnology veröffentlicht. Die Forscher sehen in der Technologie einen wichtigen Schritt hin zu klinisch einsetzbaren, nicht-invasiven Atemtests für die Krebsfrüherkennung.…