Medizininformatik für Ganzheitliche Disease Models in der personalisierten und präventiven Medizin
Über das Projekt
Die Versprechen von KI- und Big Data-basierter individualisierter Präzisionsmedizin mussten in letzter Zeit zunehmend kritisch infrage gestellt werden, obwohl KI-Systeme regulär die Leistungen von medizinischen Experten(panels) erreichen oder sogar übertreffen.
Die Qualität der Inputdaten für Algorithmen mit strukturellen Verzerrungen („Bias“), insbesondere die Ungleichheit von medizinischen Daten (z.B. die Unterrepräsentation von Populationsgruppen basierend z.B. auf dem jeweiligen Geschlecht oder der ethnischen Vielfalt), erhöht die Vulnerabilität der KI-Algorithmen. Dies führt zu der Verschiebung des Fokus von der bisherigen modellzentrierten KI-Entwicklung zur datenzentrierten KI. Denn die Qualität von Quelldaten bestimmt die Güte („Fairness“), die Anwendbarkeit sowie die Limitationen von KI-Algorithmen.
Im klinischen Umfeld liegen bereits enorme Datenmengen vor, jedoch sind diese meistens unstrukturiert und sehr heterogen. Deshalb liegt der Fokus der MIDorAI Forschungsgruppe auf der strukturierten Annotation und der Aufwertung (mittels Ontologien wie z.B. RadLex®) radiologischer Befundtexte sowie auf deren holistisch-integrierten Verknüpfung mit Imaging bzw. multimodalen Labor und Hochdurchsatz-Daten.
Ein weiterer und zunehmend an Bedeutung gewinnender Aspekt der medizinischen Daten ist die Gewährleistung der Privatsphäre dieser hoch sensitiven Patientendaten. Hierfür sollen die von MIDorAI entwickelten multimodalen Krankheitsmodelle und die daraus abgeleitete Generierung synthetischer Daten eine Schlüsselrolle spielen.
Im Rahmen der Nachwuchsgruppe möchten wir Datenintegrations- und Modellierungstools als Plattform entwickeln und diese innerhalb der MII und der allgemeinen Research Community sowie Software as a Service (SaaS) bereitstellen.
Ziele
Die MIDorAI Forschergruppe soll die Themenbereiche Extraktion strukturierter Daten aus unstrukturierten Versorgungsdaten (Befunde, Bilddaten), Datenqualität und Eignung von Versorgungsdaten für Machine Learning-Zwecke sowie interoperable Bereitstellung von Disease Models auf Basis der „FAIR Guiding Principles“ (Findable, Accessible, Interoperable, Reusable) bearbeiten.
Leitung der Nachwuchsforschergruppe
Dr. Máté Maros
Leiter der Nachwuchsforschergruppe MIDorAI
Abteilung für Biomedizinische Informatik | Medizinische Fakultät Mannheim, Universität Heidelberg
Kontakt
mate.maros@medma.uni-heidelberg.de
