Abschlussbericht zum BMFTR-Vorhaben "KMU-innovativ" (Verbundprojekt MoleVision): Entwicklung eines sicheren und energieeffizienten eingebetteten Geräts mit Radarsensorik und Kommunikationsschnittstellen für die cloud-basierte Hautkrebsdiagnostik

Im Verbundprojekt MoleVision (Universität Siegen, Petanux GmbH, Universitätsklinikum Bonn (UKB) und Universitätsklinikum Düsseldorf (UKD)) wurde ein KI-basierter Ansatz zur frühzeitigen Melanomdetektion entwickelt, der konventionelle makroskopische Bildgebung mit mmWave-Radarsensorik kombiniert. Im Teilvorhaben „Secure and energy-efficient embedded device with radar sensing and communication interfaces for cloud-based skin cancer diagnostics“ konzipierte und realisierte die Universität Siegen eine integrierte Embedded-Plattform, die eine zuverlässige multimodale Datenerfassung, eine datenschutzwahrende On-Device-Verarbeitung sowie eine sichere Einbindung in klinische und telemedizinische Workflows ermöglicht. Der Stand der Technik wird weitgehend durch optikbasierte Point-of-Care- und Embedded-Lösungen geprägt, die überwiegend auf Oberflächenbildgebung bzw. indirekten physiologischen Indikatoren beruhen und häufig keine tiefen- oder dielektrizitätsbezogenen Gewebemerkmale erfassen; zudem werden Laientauglichkeit, energieeffizienter Betrieb sowie durchgängige Safety-/Security-Unterstützung nicht konsistent abgedeckt. Mikrowellen- bzw. radarbasierte Ansätze sind zwar vielversprechend, erfordern für kleine Hautläsionen jedoch robuste, reproduzierbare Erfassungs- und Verarbeitungsketten. MoleVision adressiert diese Lücken durch die Fusion hochauflösender Bilddaten mit mmWave-Messungen zur Einbeziehung komplementärer tiefen- und gewebespezifischer Informationen und durch eine praxistaugliche Embedded-Implementierung mit Energiemanagement, GDPR-konformen Datenschutzmaßnahmen sowie integrierten Safety- und Security-Funktionen. Die Arbeiten umfassten die Auswahl und Integration der Sensorik, die Bereitstellung auf einer FPGA-basierten Zielplattform sowie die Entwicklung eines stabilen Capture-Frameworks. Der multimodale Fusionsansatz zeigte in den durchgeführten Evaluierungen eine deutliche Leistungssteigerung gegenüber einer rein bildbasierten Klassifikation. Ergänzend wurden GDPR-konforme Maßnahmen durch Pseudonymisierung auf dem Gerät und lokale Datenspeicherung umgesetzt. Die Zertifizierbarkeit und Zuverlässigkeit des Systems wurden zudem durch Safety- und Security-Mechanismen gestärkt, darunter hardware- /softwarebasierte Selbsttests (BIST), Plausibilitätsprüfungen der Datenströme und eine schlüsselbasierte, verschlüsselte Datenübertragung.