Erklärbares und sicheres föderiertes Lernen zur datenschutzfördernden Hautkrebs‑Klassifikation mithilfe eines leichtgewichtigen Multi‑Scale‑CNN

Warum intelligentere Hautkrebskontrollen wichtig sind

Hautkrebs ist weltweit die häufigste Krebserkrankung, und eine frühzeitige Erkennung kann Leben retten. Trotzdem beruht eine präzise Diagnose oft noch stark auf Spezialisten, die Muttermale und Flecken auf der Haut sorgfältig beurteilen. Viele Kliniken haben nicht dieses Fachwissen, und das Teilen großer Bildersammlungen von Patientinnen und Patienten zur Verbesserung computergestützter Werkzeuge wirft ernste Datenschutzfragen auf. Diese Studie stellt einen neuen Ansatz vor, der Krankenhäusern ermöglicht, gemeinsam ein leistungsfähiges System zur Hautkrebs‑Erkennung zu trainieren, ohne jemals rohe Patientenbilder auszutauschen, und zugleich den Ärzten klare visuelle Erklärungen dafür zu liefern, was das System erkennt.

Zusammenarbeiten, ohne Geheimnisse preiszugeben

Die Kernidee ist ein Trainingsverfahren namens föderiertes Lernen. Anstatt Hautbilder an einen zentralen Server zu senden, behält jedes Krankenhaus seine Bilder vor Ort und trainiert eine lokale Kopie desselben Modells. Nur das erlernte „Know‑how“ (Modellupdates) wird an einen zentralen Server gesendet, wo es zu einem besseren globalen Modell kombiniert und dann an alle Krankenhäuser zurückgeschickt wird. In dieser Arbeit simulieren die Autoren mehrere kooperierende Krankenhäuser auf einem großen öffentlichen Datensatz von Hautläsionen, sodass das Modell von vielfältigen Fällen profitiert, während die Bilder der Patienten ihre Heimatinstitutionen nie verlassen.

Ein schlanker, aber scharfsinniger Bildbetrachter

Um diese Zusammenarbeit praktikabel zu machen, entwickelte das Team ein neues leichtgewichtiges Multi‑Scale‑Convolutional‑Neural‑Network (LWMS‑CNN). Viele gängige Bildmodelle sind sehr groß und langsam über Kliniksnetzwerke zu übertragen; im Gegensatz dazu verwendet dieses Modell weniger als eine Million trainierbare Parameter, also nur einen Bruchteil der Parameter bekannter Architekturen. Seine Struktur verarbeitet jedes Hautbild parallel auf mehreren Detailebenen, von feinen Kanten und Texturen bis hin zu größeren Mustern, und verbindet diese Hinweise dann. Dieses kompakte Design erwies sich als sowohl genau als auch effizient und übertraf oder entsprach schwereren Modellen wie ResNet und DenseNet bei Standardmaßen wie Genauigkeit, Präzision und F1‑Score, während es deutlich kleiner und schneller ist – wichtig für den Einsatz auf bescheidenen Klinikservern oder sogar Edge‑Geräten.

Datenschutz durch Verschlüsselung absichern

Obwohl föderiertes Lernen das Senden roher Bilder vermeidet, können die geteilten Modellupdates bei anspruchsvollen Angriffen dennoch Informationen preisgeben. Um diese Lücke zu schließen, betten die Autoren den gesamten Austausch in homomorphe Verschlüsselung ein, eine kryptographische Technik, die es dem Server erlaubt, Modellupdates zu addieren und zu mitteln, während sie verschlüsselt bleiben. Krankenhäuser verschlüsseln ihre Modelländerungen, bevor sie sie senden; der Server sieht nur verschlüsselte Zahlen, kann aber dennoch das kombinierte Update berechnen. Nur eine vertrauenswürdige Partei kann das aggregierte Ergebnis entschlüsseln. Tests zeigten, dass diese Schutzmaßnahme die Leistung kaum beeinträchtigte: Die Genauigkeit sank nur um etwa 0,3 Prozentpunkte (von 98,62 % auf 98,34 %), ein kleiner Preis für deutlich gestärkten Datenschutz und die Einhaltung strenger medizinischer Datenschutzvorschriften.

Die Blackbox für Klinikpersonal öffnen

Hohe Genauigkeit allein reicht in der Medizin nicht aus; Klinikpersonal muss verstehen, warum ein Algorithmus eine bestimmte Entscheidung traf. Die Studie ergänzt das trainierte Modell daher um erklärbare‑KI‑Werkzeuge. Ein Werkzeug, SHAP, hebt hervor, welche Bildbereiche eine Entscheidung am stärksten beeinflussten, indem es jede Pixelregion als „Spieler“ in einem Abstimmungsspiel behandelt. Ein anderes, Grad‑CAM, überlagert eine Heatmap auf die Läsion und zeigt, worauf das Netzwerk seine Aufmerksamkeit richtete, etwa wenn es eine Stelle als bösartig oder gutartig einstuft. Gemeinsam ermöglichen diese Ansichten Dermatologen zu prüfen, ob das Modell sinnvolle Strukturen betrachtet – etwa unregelmäßige Ränder oder Farbvariationen – statt Haare, Beleuchtungsartefakte oder Hintergrundhaut, und unsichere oder falsche Fälle zu hinterfragen.

Von Laborversuchen zu realen Kliniken

Das verschlüsselte föderierte LWMS‑CNN wurde auf dem HAM10000‑Datensatz für Hautläsionen trainiert und bewertet und anschließend auf zwei zusätzlichen Sammlungen getestet, ISIC 2019 und PAD‑UFES‑20, die sich in Kameras, Läsionstypen und Patientengruppen unterscheiden. Es erzielte hohe Genauigkeiten in allen drei Datensätzen, was darauf hindeutet, dass der Ansatz über eine einzelne Datenquelle hinaus gut generalisiert. Die Autoren untersuchten zudem anspruchsvollere, realistischere Szenarien, in denen verschiedene „Krankenhäuser“ unterschiedliche Fallmischungen sehen, und verglichen mehrere Wege zur Kombination von Modellupdates; die Standardmethode FedAvg funktionierte am besten. Obwohl die Experimente in einer simulierten Multi‑Client‑Umgebung und nicht auf physisch getrennten Krankenhäusern liefen, zeigen die Ergebnisse, dass ein kompaktes Modell, datenschutzwahrendes Training und klare visuelle Erklärungen zu einem einzigen Rahmen kombiniert werden können. Für Patientinnen und Patienten weist dies auf zukünftige Hautkrebskontrollen hin, die genauer, breiter verfügbar und datenschutzfreundlicher sind, während Ärztinnen und Ärzte weiterhin fest in den Entscheidungsprozess eingebunden bleiben.

Zitation: Sayeed, A.S.M., Birahim, S.A., Ullah, M.S. et al. Explainable and secure federated learning for privacy-enhancing skin cancer classification using a lightweight multi-scale CNN. Sci Rep 16, 11414 (2026). https://doi.org/10.1038/s41598-026-41360-2

Schlüsselwörter: Hautkrebs‑Erkennung, föderiertes Lernen, Schutz medizinischer Daten, erklärbare KI, homomorphe Verschlüsselung