In die Augen blicken ohne Erkennen
Ein Medizininformatikteam des Universitätsklinikums Jena schlägt ein datenschutzkonformes Vorgehen zur KI-gestützten Erzeugung realitätsnaher Augenbilder vor.
Die generierten Bilder bleiben diagnostisch auswertbar, die Identifizierung der für die Trainingsdaten abgebildeten Personen ist jedoch nicht mehr möglich. Die Arbeit in PLOS Digital Health zeigt einen neuen Ansatz, die gerade in der Augenmedizin diametralen Anforderungen an medizinische Nutzbarkeit und Anonymität zu erfüllen.
Bilddaten sind eine maßgebliche Grundlage für Entscheidungen in der Krankenversorgung, sie spielen eine ebenso wichtige Rolle in der medizinischen Wissenschaft. Gleichzeitig enthalten Bilder oft Kennzeichen, die eindeutig mit einer bestimmten Person verbunden sind und stellen dann hohe Anforderungen an den Datenschutz. Besonders deutlich wird dieses Dilemma in der Augenmedizin: Sie benötigt für die Diagnostik Bilder vom Auge, die besonders gut für die Personenidentifizierung geeignet sind.
Augenmedizinische Geräteentwicklung
Im Forschungsverbund Avatar stand ein Medizininformatikteam des Universitätsklinikums Jena vor der Aufgabe, datenschutzkonform Trainingsdaten für die augenmedizinische Geräteentwicklung bereitzustellen. In einem ersten Schritt wurde ein generatives KI-Modell speziell auf Augenbilder angepasst. „Es erzeugt aus echten Bildern synthetische Bilder, die den Originalen sehr ähnlich sind und deren Krankheitsmerkmale wiedergeben“, so Sebastian Uschmann. „Individuelle biometrische Details jedoch werden verändert.“
Dass diese Veränderung für eine Anonymisierung ausreicht, sichert ein zweiter Schritt. Die Wissenschaftler entwickelten zusätzlich ein analytisches Maß, um zu bewerten, wie ähnlich das synthetische Bild dem Original hinsichtlich der Identität ist, und ob die wichtigen medizinischen Informationen erhalten geblieben sind. Erzeugte Bilder mit erhöhtem Datenschutzrisiko erkennt das als „Cone of Privacy“ bezeichnete Maß automatisch und schließt sie aus.
Für die Evaluation des Verfahrens nutze das Team einen Datensatz mit 2.000 Augenbildern von 704 Personen. „Der Algorithmus erzeugte realitätstreue synthetische Bilder, die sich für ophthalmologische Forschungs- und Entwicklungszwecke eignen, und identifizierte zuverlässig datenschutzkritische Bilder“, resümiert Prof. Dr. Cord Spreckelsen. „Das Verfahren lässt sich auf andere medizinische Bilddaten übertragen und trägt dazu bei, dass medizinische Daten datenschutzfreundlich in Kooperationen, als Trainingsdaten und für wissenschaftliche Fragestellungen genutzt werden können.“
Uschmann S, Spreckelsen C, Festag S (2026) Ensuring data protection for eye images by combining fine-tuned image synthesis and anonymity assessment. PLOS Digit Health 5(7): e0001487.
