Ein Forscherteam der University of Pennsylvania hat mit FireANTs einen neuen Open-Source-Algorithmus vorgestellt, der die Analyse medizinischer Bilddaten signifikant beschleunigt. Die Entwickler, geleitet von Pratik Chaudhari und James C. Gee sowie mit Erstautor Rohit Jena, kombinieren Optimierungsverfahren der künstlichen Intelligenz mit geometrischer Mathematik, um dichte Bildpaare schneller und präziser abzugleichen. Die Ergebnisse der Studie sind in Nature Communications publiziert. Herkömmliche KI-Modelle stützen sich primär auf Trainingsdaten und statistische Wahrscheinlichkeiten. FireANTs umgeht diese Limitation, indem es Bildkorrespondenzen rein mathematisch löst, ohne starke Annahmen auf vergangenen Beispielen zu basieren. Im Fokus steht die dichte Korrespondenzanalyse, also das exakte Abgleichen anatomischer Strukturen über verschiedene Aufnahmeserien hinweg. Dies ist insbesondere in der Radiologie essenziell, um minimale Volumenveränderungen im Gehirn oder anderen Organen im Zeitverlauf zu erfassen, die auf beginnende neurokognitive oder somatische Erkrankungen hinweisen können. Der Algorithmus stellt eine Weiterentwicklung der etablierten Open-Source-Toolbox ANTs dar. Während ANTs trotz seiner Robustheit nicht für die heutigen hohen Datenmengen ausgelegt war, adressiert FireANTs die rechenintensiven geometrischen Berechnungen in nicht-euklidischen Räumen. Statt den Optimierungsprozess ständig an gekrümmte Raumstrukturen anzupassen, transformiert der Algorithmus die mathematische Landschaft so, dass die Berechnung effizient über flache, euklidische Strukturen läuft. Dieser Ansatz eliminiert den aufwendigen Paralleltransport und beschleunigt den Prozess fundamental. In Validierungstests an über zwölftausend Bildpaaren aus mehr als einem Dutzend Datensätzen bewährte sich FireANTs über verschiedene Organsysteme, Bildgebungsverfahren und Spezies hinweg. Auf Standard-CPU-Architekturen ist die Methode zwei- bis siebenmal schneller als aktuelle Optimierungstools, auf GPU-Architekturen sogar bis zu tausendmal. Die Genauigkeit bleibt dabei uneingeschränkt erhalten. Was herkömmliche Verfahren oft Wochen processing benötigten, wird nun in Minuten erledigt. Die massive Beschleunigung eröffnet praxisnahe Anwendungsszenarien. In klinischen Workflows lässt sich die automatische Detektion subtiler Bildveränderungen in Echtzeit integrieren, was radiologische Entscheidungen beschleunigt und die Patientenversorgung verbessert. Darüber hinaus senkt die reduzierte Rechenkomplexität die Zugangshürden für kleinere Forschungseinrichtungen. Die Technologie ist nicht auf die Medizin beschränkt; Potentiale bestehen in der Geospatial-Analyse, Robotik und generell bei der Verarbeitung hochdimensionaler visueller Daten. FireANTs unterstreicht, dass medizinische Software nur dann klinischen Standard erreicht, wenn sie sowohl hocheffizient als auch präzise ist. Durch die offene Verfügbarkeit ermöglicht der Algorithmus skalierbare Analysen und etabliert neuartige Workflows, die bisher rechnerisch nicht realisierbar waren.