Intelligente Systeme zur Analyse von Gesundheitsdaten

Die moderne Medizin stützt sich zunehmend auf hochdimensionale Daten – etwa aus der Genomik, Proteomik und Bildgebung sowie kontinuierliche physiologische Signale aus klinischen Systemen und Wearables –, die in zuverlässige, individualisierte Erkenntnisse überführt werden müssen. Das MedLab entwickelt mathematische Verfahren und Methoden des maschinellen Lernens, die dies ermöglichen: Modelle, die nicht nur präzise, ​​sondern auch interpretierbar sind, sodass Mediziner und Patienten den Ergebnissen vertrauen und auf deren Basis handeln können. Das Spektrum reicht von der Identifizierung multivariater Krankheitssignaturen unter Einbeziehung von „Omics“- und Bildgebungsdaten über die Entwicklung von Multiskalenmodellen, die diese Signaturen in ihren biologischen Kontext einbetten, bis hin zur Erweiterung punktueller klinischer Analysen hin zu einer kontinuierlichen Überwachung umfangreicher Datenströme aus dem Bereich Mobile Health – was eine frühere Diagnose, eine bessere Therapieüberwachung sowie Echtzeit-Tools für Hochrisikopatienten ermöglicht.

Sichere und interpretierbare KI für biomedizinische Anwendungen

Künstliche Intelligenz transformiert das Gesundheitswesen sowie die angrenzenden Bereiche der Biomedizin und Medizintechnik – und steigert dabei sowohl das Potenzial als auch die Erwartungen an die Leistungsfähigkeit datengetriebener Verfahren. Diese Dynamik erfordert innovative Ansätze: nicht nur für die Entwicklung KI-basierter Methoden in kritischen und sensiblen Bereichen, sondern auch für deren kontinuierliche Validierung und Überwachung nach der Implementierung. Aufbauend auf zwei vorangegangenen Förderphasen, in denen das MedLab Methoden zur Erfassung und Nutzung biomedizinischer Daten entwickelte und die für die Analyse sehr großer Datensätze erforderliche technologische Infrastruktur schuf, verfolgt die dritte Phase zwei parallele Ziele: die Entwicklung KI-basierter Dienste für konkrete biomedizinische Anwendungsfälle gemeinsam mit Industriepartnern sowie den Aufbau einer Plattform für die kontinuierliche Validierung, Überwachung und Zertifizierungsreife dieser KI-Systeme – ein Aspekt, der angesichts der Anforderungen des EU-KI-Gesetzes (EU AI Act) an Hochrisiko-KI-Systeme zunehmend an Bedeutung gewinnt.