Projekte

Ai4Nof1 – Entwicklung personalisierter, KI-gestützter Lebensstilinterventionen zur Verbesserung des Behandlungserfolgs und der Lebensqualität von Patienten mit chronischen Krankheiten, mit Erprobung des Konzepts für das Reizdarmsyndrom)

In der evidenzbasierten Medizin gelten populationsbasierte randomisierte kontrollierte Studien als Goldstandard für die Abschätzung der Auswirkungen von Maßnahmen. Der durchschnittliche Behandlungseff

PIAD – Physics-informed Anomaly Detection

Ziel dieses Projekts ist die Entwicklung einer neuen informierten Ki: physik-informierte tiefe Anomalieerkennung. Dabei wird auf modernste neuronale Anomalieerkennungsalgorithmen aufgebaut, die kürzli

ML-Bau-Doc+ – Maschinelles Lernen zur Informationsextraktion im Bereich Gebäudedokumentation

Die im Vorgängerprojekt „Maschinelles Lernen im Bereich Gebäudedokumentation (ML-BALI-DOK)" (https://www.zukunftbau.de/projekte/forschungsfoerderung/1008187-2026) entwickelten Algorithmen ermöglichen

TrustifAI – Mission Kl Innovations- und Qualitätszentrum (IQZ) Kaiserslautern (TrustifAI - Gesundheit und Wohlbefinden)

Vertrauenswürdige KI-Anwendungen für eine sichere Zukunft Unter der Federführung der acatech – Deutsche Akademie der Technikwissenschaften verfolgt MISSION KI das Ziel, die Vertrauenswürdigkeit und Zu

Cyber-AG-RSML – Cyberagentur: Robustes und Sicheres Machine Learning

Forschung und Entwicklung von Ansätzen hinsichtlich robustem und sicherem Machine Learning für sicherheits- und verteidigungsrelevante Einsatzsysteme

Eventful – Zeit- und ortabhängige Modelle für das individuelle und gesellschaftliche Wohlbefinden

This project focusses on the interconnected problems of measuring and predicting health and well-being. Health and well-being exist at two levels: within the individual, where we may observe or measur

Miracle2 – A Machine learning approach to Identify patients with Resected non-small-cell lung cAnCer with high risk of reLapsE

MIRACLE comprises a consortium of academics and industry partners to understand how machine learning can be utilised to predict the risk of relapse for patients with resected non-small cell lung cance

curAIknow – curATime knowledge graphs

Anwendung des biowissenschaftlichen Wissensgraphen Ontosight zur Unterstützung der Vorhersage, Validierung und Interpretierung von Kl-generierten Hypothesen auf der Grundlage von Daten von Patienten u

BiosignATure – curATime: Systemorientierte, Multi-Omics-Identifikation von Biomarkersignaturen für die Detektion, Quantifizierung und Behandlung von Atherothrombose

curATime: Systemorientierte, Multi-Omics-Identifikation von Biomarkersignaturen für die Detektion, Quantifizierung und Behandlung von Atherothrombose Partner Universitätsmedizin der Johannes Gutenberg

CurAISciD – curATime AI science and development

Das erste Ziel von curAIscid ist für den Anwendungsfall Atherothrombose und Atherosklerose dem Problem der kleinen Daten (small data) auf verschiedene Weise zu begegnen: durch Transferlernen (bei dem