Skip to main content Skip to main navigation

Projekt | pAItient

Laufzeit:

Innovationszentrum mit integrierter, rechtssicherer Umgebung zur Entwicklung, Testung, und klinischen Bewertung Kl-basierter Anwendungen.

Durch die Entwicklungen der letzten Jahre wie z. B. günstige Hardware für enorme Rechenleistung und Techniken des maschinellen Lernens hat die Künstliche Intelligenz auch in der Medizin neuen Schub bekommen und in vielen medizinischen Anwendungsfeldern gilt sie als vielversprechende Technologie für disruptive Fortschritte wie z.B. bei der Krankheitsdiagnose, der personalisierten Medizin, der schnelleren Medikamentenentwicklung oder auch der Genbearbeitung. Eine der wesentlichsten Voraussetzungen zur Einlösung dieses Versprechens ist jedoch die Verfügbarkeit nicht nur von Big Data, sondern von möglichst strukturierten, qualitativ hochwertigen Daten sowie einer Umgebung, in der neue KI-basierte Anwendungen in einem rechtssicheren Rahmen unter realen Bedingungen gegen einen definierten Goldstandard als Referenz getestet werden können. Diese Thematik erfährt besonders vor dem Hintergrund des neuen Gesetzes zur Digitalen Versorgung an Relevanz.

Ziel ist es daher, die Entwicklung von KI-basierten Ansätzen (von der Idee bis zur Translation in die standortübergreifende klinische Routine) zu automatisieren. Dazu soll aufbauend auf dem Medizinischem Datenintegrationszentrum (MeDIC) am Universitätsklinikum Heidelberg ein KI-Innovationszentrum etabliert werden, das eine Pipleline zur Entwicklung von KI-basierten Anwendungen aufbaut und erprobt.

Das DFKI nutzt die Infrastruktur des KI-Zentrums, um ein bestehendes KI-basiertes Verfahren zur Detektion von Diagnosen auf Bilddaten mit Methoden des Transferlernens auf den Bereich anderer Bilddaten zu überführen. Im zweiten Teil wird durch das DFKI ein Algorithmus entwickelt, der auf Basis von zumeist unstrukturierten Textdokumenten (Informationsextraktion) und Bilddaten der klinischen Routinedokumentation die Position des Patienten im Behandlungspfad detektiert. Diese kontextspezifischen Daten dienen zur Optimierung von Diagnostik und Therapie.

Partner

Universitätsklinikum Heidelberg

Deutsches Krebsforschungszentrum

Mint Medical GmbH

Publikationen zum Projekt

  1. LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching

    Ho Minh Duy Nguyen; Hoang Nguyen; Nghiem T. Diep; Tan Pham; Tri Cao; Binh T. Nguyen; Paul Swoboda; Nhat Ho; Shadi Albarqouni; Pengtao Xie; Daniel Sonntag; Mathias Niepert

    In: The Thirty-Seventh Annual Conference on Neural Information Processing Systems (NeurIPS 2023). Neural Information Processing Systems (NeurIPS), December 10-16, USA, Advances in Neural Information Processing Systems, 12/2023.

Fördergeber

Bundesministerium für Gesundheit

2520DAT0P2

Bundesministerium für Gesundheit