A systematic review shows how the combination of federated learning, blockchain, and explainable artificial intelligence (Explainable AI) can improve the secure and privacy-compliant management of sensitive health data. The review, published in the journal Frontiers in Digital Health, analyzed 26 studies from 2018 to 2026. The authors conclude that no single method is sufficient to meet the complex requirements for data protection, security, interpretability, and scalability in modern healthcare. Instead, they recommend an integrated architecture. Federated learning enables AI models to be trained decentrally on local data without storing or transferring sensitive patient data centrally. Blockchain ensures immutable logs and trustworthy data exchange processes. Explainable AI makes the models' decisions understandable to physicians. This is complemented by incremental optimization methods that allow for continuous adaptation of the models. The analysis identifies ten key challenges, including high communication costs,... 

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.…