Medlea
Deutsch ▾
MIXTURE OF EXPERTS · PATHOLOGIE-AGNOSTISCHE PLATTFORM

Ihre Abteilung wählt das Muster. Die Plattform baut das Modell.

Bildgebende KI kommt meist mit bereits festgelegten Krankheitsbildern. Diese Plattform ist umgekehrt aufgebaut: Das Krankenhaus definiert das Muster, das es interessiert, annotiert seine eigenen Fälle, und das Modell wird innerhalb seines eigenen Perimeters trainiert.

Pilotprojekt besprechen LeaRes ansehen

Der Kreislauf, der das Modell erzeugt

Das Modell schlägt vor, die Radiologin korrigiert, und die Korrekturen werden zum nächsten Datensatz. Jeder Durchlauf soll dem nächsten weniger zu korrigieren übrig lassen.

das verbesserte Modell kehrt als nächste Vorannotation zurück
  1. 1

    Vorannotation

    im ersten Durchlauf ein öffentliches Basismodell, danach Ihr eigenes

  2. 2

    Korrektur

    die Radiologin entscheidet — hier liegt das klinische Urteil

  3. 3

    Eingefrorener Datensatz

    unveränderlich und mit Prüfsumme: vom Modell zurück zu den Fällen

  4. 4

    Fine-Tuning

    auf der GPU des Krankenhauses, vom Basismodell aus, nie bei null

  5. 5

    Modell und Bewertung

    separater Testsatz, Bewertung je Standort

Mixture of Experts

Wir verkaufen kein Modell. Wir verkaufen die Maschine, die eines baut.

Eine Mixture-of-Experts-Architektur: Jeder Experte ist ein eng gefasstes Modell für ein Muster, und ein schlanker Orchestrator fasst ihre Ausgaben zu regionalen Messwerten zusammen. Wir bauen keinen festen Satz von Experten — wir bauen die Maschine, die ihn hervorbringt.

  • Ihr Muster

    Die Abteilung beschreibt, was sie quantifiziert haben will. Wir kommen nicht mit einer Liste von Krankheiten.

  • Ihre Fälle

    Annotiert wird an den Fällen des Krankenhauses, von seinen Radiologen, in LeaRes.

  • Ihre GPU

    Training und Inferenz laufen innerhalb des Perimeters. Keine Patientendaten werden übertragen, keine Gewichte zusammengeführt.

01

Wir verkaufen kein Modell. Wir verkaufen die Maschine, die eines baut.

Ein Modell, das auf einer festen Liste von Krankheiten trainiert wurde, braucht Daten, die die meisten Zentren nicht teilen können — und es ist der Teil des Feldes, der am schnellsten zur Massenware wird. Wir gehen den umgekehrten Weg: Die Plattform ist das Produkt, und jedes Krankenhaus baut damit ein Modell auf den eigenen Fällen.

  • Das Muster beschreiben Klinikerinnen und Kliniker in klinischer Sprache — es ist kein Parameter, den ein Ingenieur wählt.
  • Nichts in der Architektur setzt voraus, nach welcher Pathologie Sie suchen.
  • Das entstehende Modell gehört dem Zentrum, dessen Daten es hervorgebracht haben.
Wir verkaufen kein Modell. Wir verkaufen die Maschine, die eines baut.
02

Woraus ein Experte besteht

Ein neues Muster aufzunehmen ist nicht jedes Mal ein eigenes Forschungsprojekt. Ein Experte besteht aus einem festen Satz von Teilen, benannt bevor das Training beginnt: Musterdefinition, Annotationsprotokoll, Datensatzspezifikation, Basismodell, Trainingsrezept, Bewertungsinstrument und Herkunftsnachweis.

  • Fine-Tuning von einem vortrainierten Basismodell, nie bei null — Dutzende annotierter Fälle statt der Tausende, die ein Modell von Grund auf bräuchte.
  • Ohne Bewertungsinstrument ist ein Modell kein Experte, sondern ein Experiment: Deshalb wird es vorab festgelegt und nicht im Nachhinein zusammengestellt.
03

Einen Experten hinzufügen, ohne die anderen anzurühren

Jeder Experte erzeugt seine eigene Karte, und ein kleiner Orchestrator fasst sie zu regionalen Kennzahlen zusammen — Volumina und Anteile je Muster und je Lappen. Ein Muster hinzuzufügen heißt, einen Experten hinzuzufügen, nicht die vorhandenen neu zu trainieren.

  • Gemeinsam auftretende Muster werden behandelt, indem dem Orchestrator auch die räumliche Verteilung übergeben wird, nicht nur Gesamtvolumina.
  • Die Eingaben des Orchestrators bleiben nachvollziehbar: Klinikerinnen sehen, welche Muster eine Kennzahl bestimmt haben.
04

Die Daten verlassen das Krankenhaus nicht

Annotation, Training und Inferenz laufen vollständig innerhalb des Krankenhausperimeters, auf dessen eigener GPU. Es werden keine Patientendaten an uns übertragen, und es werden keine Gewichte zwischen Standorten zusammengeführt.

  • Gebaut für Rechtsordnungen, in denen Gesundheitsdaten keine Grenze überschreiten dürfen.
  • Jeder Standort startet vom selben öffentlichen Basismodell und trainiert allein — kein Standort sieht die Daten eines anderen.
  • Eingefrorene Datensätze, trainierte Modelle und ihre Herkunftsnachweise bleiben beim Zentrum.
Die Daten verlassen das Krankenhaus nicht
05

Was wir messen — und was nicht

Die Zahl, die wir berichten, ist die Zeit, die eine Radiologin zur Korrektur eines Falls braucht, und wie sich diese Zeit mit wachsender Zahl annotierter Fälle verhält. Sie misst Annotationseffizienz, nicht diagnostische Genauigkeit — und dieser Unterschied ist beabsichtigt.

  • Die Ausgabe ist ein Satz von Messwerten: Volumina und Anteile je Muster und je Lappen, mit Konfidenzangabe.
  • Sie ist kein Krankheitsetikett und nicht dafür gedacht, eine klinische Entscheidung zu treffen oder zu ersetzen.
  • Bewertet wird je Standort gegen einen separaten Testsatz — ein an einem Zentrum trainiertes Modell wird nie im Gesamtwert eines anderen bewertet.
Was wir messen — und was nicht

Anatomie, nicht Diagnose. Die Plattform quantifiziert Strukturen und Muster, die eine Klinikerin definiert hat; sie stellt keine Diagnose und ersetzt kein klinisches Urteil. Die Zusammenarbeit mit klinischen Zentren befindet sich in der Pilotphase.

Bringen Sie Ihre eigene Pathologie mit

Wir richten gerade die ersten Pilotstandorte ein. Wenn Ihr Zentrum ein Muster quantifizieren muss und die Fälle zum Annotieren hat, hören wir gern davon.

Sprechen Sie uns an