Das Forschungszentrum CAIMed war im September auf der internationalen AutoML Conference in New York prominent vertreten: Prof. Dr.-Ing. Steffen Oeltze-Jafra und Prof. Dr. rer. nat. Marius Lindauer (beide CAIMed) stellten gemeinsam mit Jannis Becktepe und Leona Hennig ihr neues Paper Auto-nnU-Net vor. Die Arbeit präsentiert ein neuartiges Framework zur automatisierten Konfiguration von KI-Modellen für die medizinische Bildsegmentierung – ein zentrales Thema für die Anwendung von Künstlicher Intelligenz in der Medizin.

Während das etablierte Framework nnU-Net bereits viele Schritte der Modellanpassung automatisiert, bleibt es in bestimmten Aspekten wie Hyperparameterwahl und Architekturdesign noch starr. Auto-nnU-Net erweitert diesen Ansatz zu einem vollständigen AutoML-System für die medizinische Bildsegmentierung. Es integriert Hyperparameter-Optimierung (HPO), Neural Architecture Search (NAS) sowie hierarchische NAS (HNAS), um Modellleistung und Effizienz automatisch zu verbessern.

Besonders hervorzuheben ist der neue Algorithmus Regularized PriorBand, der ein Gleichgewicht zwischen Modellgenauigkeit und Rechenaufwand schafft – ein entscheidender Aspekt für die Nutzung in klinischen Umgebungen, in denen Rechenressourcen oft begrenzt sind.

In umfangreichen Tests auf den Datensätzen des Medical Segmentation Decathlon zeigte Auto-nnU-Net deutliche Leistungssteigerungen: In sechs von zehn Datensätzen übertraf das System die bisherigen Ergebnisse von nnU-Net, bei gleichzeitig praxisgerechtem Ressourcenverbrauch.

Mit diesem Beitrag leistet das Team um Steffen Oeltze-Jafra und Marius Lindauer einen wichtigen Schritt hin zu einer noch effizienteren und anwendungsnäheren Nutzung von AutoML in der Medizin.
Der Code des Frameworks ist öffentlich verfügbar unter: https://github.com/automl/AutoNNUnet