ModAstera

Was ist ModAstera?

ModAstera ist eine von ModAstera Inc. entwickelte Plattform für KI in den Bereichen Medizin, Fertigung und andere regulierte Arbeitsabläufe. Das Kernprodukt MAEA verbindet die Vorbereitung, Annotation, Schulung, Bewertung, Verwaltung sowie den Einsatz von Daten in einem einzigen nachvollziehbaren Prozess.

Es handelt sich weder um ein Chat-Tool für normale Nutzer noch um einen Abkürzungsweg zur automatischen Zulassung von Medizinprodukten. Der Wert der Plattform liegt darin, die Lücken zwischen Daten, Experimenten, Überprüfungsnachweisen und der Produktionsübergabe zu verringern. Die endgültige Verwendung, die klinische Überprüfung sowie die regulatorischen Verpflichtungen bleiben weiterhin in der Verantwortung der nutzenden Organisationen.

Hauptfunktionen

• Datenvorbereitung: Importieren von medizinischen Bildern, Bildern aus der industriellen Prüfung, Sensordatenströmen, Expertennotizen sowie vorhandenen Labels und Strukturierung der Metadaten sowie des Datensatzstammbaums. Vor dem Training müssen noch Berechtigungen, Anonymisierung, Integrität und Verzerrungen überprüft werden.
• KI-gestützte Annotation: Auf der Grundlage von wenigen Beispielen werden vorläufige Masken, Detektionsrahmen, Klassifizierungen oder Schlüsselpunkte erzeugt; Experten korrigieren anschließend die Grenzen sowie schwierige Beispiele. Dies eignet sich zur Verringerung der Arbeit bei der wiederholten Annotation, kann aber keine professionelle Überprüfung ersetzen.
• Aktives Lernen: Die unsichersten Fälle des Modells werden priorisiert den Experten zur Überprüfung zugeordnet, sodass die begrenzte Zeit für die Beschriftung auf Beispiele mit höherem Informationsgehalt fokussiert wird. Die Auswahlregeln können die Verteilung der Beispiele verändern; jede Strategie-Runde sollte dokumentiert werden.
• Überprüfung und Version: Es werden der Anmerkungszusteller, das Datum, die Änderungen, der Grund, die Dataset-Version sowie die Überprüfungshistorie gespeichert, um für spätere Schulungen und Audits nachvollziehbare Aufzeichnungen zu schaffen.
• Natürlsprachiger Pipeline: Forscher können die Ziele und Indikatoren der Vorhersage beschreiben; MAEA unterstützt bei der Konfiguration von Experimenten, der Datenverarbeitung sowie bei der Suche nach Modellen. Die erstellten Konfigurationen müssen von Technikern überprüft werden.
• Automatische Modellsuche: Training und Vergleich von Hyperparametern unter Kandidaten wie CNN, Vision Transformer oder benutzerdefinierten Backbones sowie Durchführung paralleler Experimente mit GPU.
• Wiederholbares Training: Aufzeichnung von Datensnapshots, Code oder Konfigurationen, Abhängigkeiten, Parametern, Metriken und Modellergebnissen zur einfachen Vergleich von Versionen und zum Zurücksetzen.
• Überprüfung und Prüfung von Untergruppen: Überwachung der Gesamtkennzahlen, der Leistung der Untergruppen, von Abweichungen, des Drifts sowie bekannter Einschränkungen, um eine Abhängigkeit von nur einer einzigen Genauigkeitsrate zu vermeiden.
• Modellkarten und Beweismittelpaket: Es werden die Datenverläufe, Experimente, Überprüfungen, den Einsatzkontext sowie die Audit-Protokolle und Modellkarten zu einem übergebenbaren Material zusammengefasst. Das Beweismittelpaket unterstützt die Prüfung, beweist jedoch nicht automatisch die Konformität mit den Vorschriften.
• Einfache Bereitstellung: Der überprüfte Modell wird an einen kontrollierten Endpunkt veröffentlicht, wobei der API-Context, die Umgebungssteuerung sowie die Bereitstellungsprotokolle beibehalten werden. Für den Einsatz in der Produktion sind jedoch weiterhin Sicherheitsüberprüfungen, Überwachung, Rücksetzmechanismen sowie verantwortliche Personen erforderlich.
• Edge, Cloud und federatives Lernen: Die Seite listet Optionen für die Implementierung am Edge oder in der Cloud sowie für das federative Lernen auf – geeignet für Projekte, bei denen Daten nicht zentral übertragen werden sollen. Konkrete Topologien, unterstützte Umgebungen und Pakete müssen in einer Demonstration bestätigt werden.
• Modellüberwachung: Überwachung der Eingabekualität, der Ausgabenverteilung, der Verzögerungen, der Fehler, der Ergebnisse des Workflows sowie der menschlichen Rückmeldungen, wobei Abweichungssignale mit Entscheidungen zur Überprüfung und Neutraining verbunden werden.
• Herstellungsworkflows: Erstellung von Prozessen zur Fehlererkennung, Qualitätskontrolle und Produktionsbereitstellung unter Verwendung von Inspektionsbildern, Prozesssignalen und Zuverlässigkeitsdaten.
• Hebra – professionelle Produkte: Auf der Basis von MAEA bietet es für unabhängige Fachkliniken eine markenbasierte Patienteneingangsplattform, strukturierte Datenerfassung sowie Vorbereitung auf Arztbesuche; es handelt sich dabei nicht um ein allgemeines EHR-System, eine Telemedizin-Plattform oder einen Arztmarktplatz.

Daten- und Aufgabenerfassung

Von den Daten bis zur Implementierung

1. Definieren Sie den vorgesehenen Einsatzbereich, die Benutzer, die Betriebsumgebung, die Folgen von Fehlern, die Erfolgsindikatoren sowie die Aspekte, die vom Modell nicht bestimmt werden können.
2. Bestätigung der Rechte an Daten, Grundlagen der Privatsphäre, De-Identifizierungsverfahren, Einbeziehungsausklammerungsregeln sowie Strategien für die Trainings- oder Validierungsunterteilung.
3. Daten werden hochgeladen und eine Annotationsaufgabe erstellt; die KI erzeugt einen Entwurf, Fachleute überarbeiten ihn und legen die Regeln für die Behandlung von Streitfällen fest.
4. Freezen Sie versionierte, nachverfolgbare Datensätze, um doppelte Beispiele, Label-Leaks, Klassendisbalancen sowie Geräte- oder Regionenbias zu überprüfen.
5. Erfolge Durchführung von Experimenten zur Vergleich der Kandidatenarchitekturen und -parameter, wobei Rechenleistung, Code, Konfiguration, Metriken sowie fehlgeschlagene Ausführungen aufgezeichnet werden.
6. Beim Evaluieren auf unabhängigen Validierungsdatensätzen und Schlüsseluntergruppen werden Leistungsschwellenwerte, manuelle Aufwertungen sowie Bedingungen für die Ablehnung von Ausgaben festgelegt.
7. Modellkarten, Überprüfungsbelege und Bereitstellungs-Pakete werden von den Verantwortlichen für Klinik, Qualität, Sicherheit und Regulierung gemeinsam genehmigt.
8. Veröffentlichen Sie es am Test-Endpoint, um Authentifizierung, Verzögerungen, Kapazität, Protokollierung, Rollback sowie die Schnittstelle zu bestehenden Systemen zu überprüfen.
9. In einem kleinen Umfang in Betrieb genommen und kontinuierlich Eingaben, Ausgaben, Drift, Fehler sowie menschliche Entscheidungen überwacht; bei Erreichen der Auslösebedingungen wird die Aktivität pausiert oder erneut überprüft.

Passend für Nutzer und Szenarien

• Krankenhäuser und medizinische Forschungsteams: Erstellung von Bilddatensätzen, Testmodelle sowie Aufbewahrung von Protokollen des Forschungsprozesses.
• Medizinische KI- und SaMD-Teams: Markierung, Experimente, Überprüfung von Beweismitteln sowie die Übergabe bei der Implementierung in einen gemeinsamen Prozess integrieren.
• Pathologie-, Radiologie-, Ophthalmologie- und Spezialdatenteams: Erweiterung der Fähigkeiten bei der Datenvorbereitung durch Expertenprüfung in Kombination mit unterstützender Annotation.
• Qualitätsentwicklerteam: Erstellung von Modellen für visuelle Mängel, Prozessabweichungen und Zuverlässigkeit sowie Planung der Produktionsumsetzung.
• Kleine Entwicklerteams: Verringerung der ingenieurtechnischen Belastung durch die Entwicklung eigener Annotationstools, Trainingsinfrastruktur und MLOps-Pipelines.
• Aufsichts- und Qualitätsmitarbeiter: Überprüfen der Verknüpfungsprotokolle zwischen Daten, Modellen, Bewertungen, Veröffentlichungen und manueller Prüfung.
• Es sollte nicht als selbstverständlich angesehen werden, dass die Angabe auf der Seite, es handele sich um ein HIPAA-konformes Produkt oder dass es Qualitätszertifikate gibt, bedeutet, dass das Produkt bereits eine Genehmigung für den Einsatz als medizinisches Gerät erhalten hat.

Preise und Pakete

Die Hauptproduktseite sowie die Anwendungsseite weisen Unterschiede bei den Leistungen der kostenlosen Version, der Starter-Version und der Team-Version auf. Dies kann auf unterschiedliche Eingangspunkte, Kontostufen oder kürzliche Änderungen zurückzuführen sein. Die Limits auf einer der Seiten dürfen nicht als einheitlicher Standard für alle Konten angesehen werden; maßgeblich sind vielmehr die Informationen auf der Seite mit den nach der Registrierung verfügbaren Paketen, die tatsächlichen Abrechnungen oder schriftliche Angebote.

Auf der öffentlichen Seite werden die Beträge für Team, Organization und Enterprise nicht aufgeführt, ebenso wenig werden die Regeln bezüglich GPU-Nutzung, Inferenzleistungen, Speicherüberschreitungen sowie Rückerstattungen vollständig erklärt. Für die 14-tägige Testphase wird angegeben, dass kein Zahlung erforderlich ist. Allerdings müssen nach Ablauf der Testphase die Details bezüglich der Herabstufung des Services, der Aufbewahrung der Daten sowie der automatischen Abrechnung im Konto überprüft werden.

Plattformen, APIs und Bereitstellung

API, SDK und Open-Source-Status

• Die Plattform kann Modelle als API-Endpunkte bereitstellen, es wurden jedoch keine vollständigen Entwickler-APIs, SDKs, Geschwindigkeitsregelungen oder Preisangaben für eine Self-Service-Schnittstelle für die Öffentlichkeit bestätigt.
• In der Produktbeschreibung wird erwähnt, dass die MCP-Schicht zur Verwaltung von Machine-Learning-Experimenten verwendet wird, doch auf der offiziellen Website gibt es keine ausreichenden Dokumente, die belegen, dass sie bereits als allgemeine Kundenfunktion verfügbar ist.
• Da es keine offiziellen Open-Source-Repositorien oder Open-Source-Lizenzen für MAEA, Hebra oder die Kernplattformen für Training und Governance gibt, sollten sie als proprietäre Software angesehen werden.
• Ob die vom Kunden trainierten Modelle heruntergeladen, extern eingesetzt oder in wissenschaftlichen Arbeiten oder kommerziellen Produkten verwendet werden können, muss je nach Kontoinhaltsrechten, Datenlizenzen und Vertragsbedingungen geprüft werden.
• API-Zugriff, federales Training, Edge-Deployment und maßgeschneiderte Integration bedeuten nicht, dass der Plattformcode kopiert oder unbegrenzt für kommerzielle Zwecke genutzt werden kann.

Datenschutz, Sicherheit sowie Aspekte im medizinischen und geschäftlichen Bereich

• Die Plattform verarbeitet medizinische Bilder, industrielle Daten, Metadaten, Überprüfungsprotokolle, Modellergebnisse sowie Bereitstellungsprotokolle. Medizinische Projekte müssen vor dem Hochladen deidentifiziert und hinsichtlich der Zugriffsrechte geprüft werden.
• Die Seite verwendet Begriffe wie HIPAA-konform, APPI-konform, Verschlüsselung, Audit-Logs sowie Rollenrechte, doch es wurde keine vollständig überprüfbare englische Datenschutzerklärung oder Liste der Sicherzertifizierungen bereitgestellt.
• Das überwachende Team muss schriftlich die Datenbereiche, die Unterauftragsverarbeiter, die Schlüsselverwaltung, die Backups, die Fristen für die Löschung, die Meldung von Vorfällen sowie die grenzüberschreitende Übertragung bestätigen.
• Federated Learning kann die zentrale Sammlung von Rohdaten verringern, doch Gradienten, Modellaktualisierungen, Protokolle sowie Koordinationsservices erfordern weiterhin Threat Modeling und Datenschutzbewertungen.
• Die Prüfungs-Hierarchien sowie die exportierbaren SaMD-Dokumente sind Belege für die Fähigkeit zur Bewirtschaftung von Daten – sie bedeuten jedoch nicht, dass die Aufsichtsbehörden das Modell oder seine klinische Anwendung bereits überprüft und genehmigt haben.
• Medizinische Modelle müssen Veränderungen bei der Bevölkerung, den Geräten, den Einrichtungen, der Zeit sowie den Arbeitsabläufen berücksichtigen. Die Ergebnisse der Beispielseiten können die externe Überprüfung dieses Projekts nicht ersetzen.
• Bei der Erstellung von Modellen müssen Fehlalarme, Übersehungen, Stillstände sowie Sicherheitsstrategien definiert werden. Die Produktionsvorgänge sollten nicht ausschließlich durch automatische Vorhersagen gesteuert werden.
• Das Eigentum an Modellen, Labels und Ausgaben sowie die Wiederverwendung von Trainingsdaten, die kommerzielle Nutzung und die Rechte zur Veröffentlichung sind nicht ausreichend offengelegt; die Beschaffungsverträge sollten Punkt für Punkt festgelegt werden.
• Die vorhandene Terms-Seite ist zugänglich, doch der Haupttext wird noch nicht stabil geladen. Details zu Rückerstattungen, Verpflichtungen, Beendigung und Inhaltslizenzen sind derzeit noch nicht bestätigt.

Vorteile und Einschränkungen

• Vorteil: Es verbindet Annotationen, Experimente, Bewertungen, Beweise und Implementierung miteinander und eignet sich dazu, die Zersplitterung von Werkzeugen in regulierten KI-Projekten zu verringern.
• Vorteile: Hilfsbezeichnungen, aktives Lernen und Überprüfung durch Experten ermöglichen es, die Zeit von Fachleuten auf schwierige Fälle zu konzentrieren.
• Vorteile: Untergruppen, Drift, Modellkarten, Auditprotokolle und Rollback sind der tatsächlichen Produktionsverwaltung näher.
• Einschränkungen: Die kostenlosen und teambezogenen Limits auf verschiedenen Seiten überschneiden sich, wodurch die tatsächlichen Kosten sowie Ressourcenbeschränkungen unklar sind.
• Einschränkungen: Die Fähigkeiten der Plattform können keine Datenverzerrungen, fehlerhafte Kennzeichnungen sowie Verantwortlichkeiten in Bezug auf klinische Überprüfungen und Herstellungs sicherheit beseitigen.
• Einschränkungen: Informationen zu Privatsphäre, Sicherheitszertifizierungen, API-Dokumentation, SDKs, Rückerstattungen sowie den Rechten am Modell sind unzureichend verfügbar.
• Einschränkungen: Das Kernprodukt ist als Open Source nicht bestätigt; kundenspezifische Implementierungen, federatives Lernen sowie Unternehmensintegration können Verkauf und Umsetzung erfordern.

Zusammenfassung

ModAstera eignet sich für Teams, die von ursprünglichen medizinischen oder herstellungsbezogenen Daten zu überprüfbaren, einsetzbaren Modellen gelangen möchten, wobei gleichzeitig Nachweise über den Prozess beibehalten werden sollen. Bei der Bewertung sollte ein End-to-End-Test mit echten Daten durchgeführt werden, wobei die Qualität der Annotationen, die Leistung der Untergruppen, die Implementierungschnittstellen, die Überwachung, die Compliancepflichten, die Lizenzbedingungen sowie die Datenspezifikationen überprüft werden müssen.