FB Data Science & KI
Forschungsbereich "Data Science & KI"
Vision
„Um medizinische Fragestellungen zu beantworten und zugrunde liegende Krankheitsmechanismen immer besser zu verstehen, setzen wir computergestützte, KI-basierte Ansätze zur Datenanalyse gezielt ein und entwickeln sie kontinuierlich weiter."
Die Anwendung computergestützter Ansätze in den Lebenswissenschaften und der Medizin gewinnt zunehmend an Bedeutung. Die zugrunde liegenden Daten sind vielfältig und reichen von klinischen Routinedaten über Laborbefunde bis hin zu hochauflösenden Biosignalen und RNA-Sequenzierungsdaten. Für die Datenanalyse müssen die Daten harmonisiert und an standardisierte Datenformate (z.B. OMOP) angepasst werden. Die Entwicklung modularisierter und automatisierter Arbeitsabläufe ist daher ein zentraler Faktor. Dabei kommen verschiedene Werkzeuge und Methoden zum Einsatz, die von klassischen statistischen Verfahren und Netzwerkanalysen bis hin zu Deep Learning und Large Language Models reichen. Darüber hinaus werden die entwickelten Methoden in interdisziplinären Kooperationen in den Bereichen Onkologie, seltene Erkrankungen, Inflammation, Kardiologie, Schlafmedizin und weiteren Gebieten angewendet und validiert. Die Arbeiten des Forschungsbereichs erleichtern damit die Anwendung automatisierter Ansätze im klinischen Umfeld erheblich und tragen damit wesentlich zu den Zielen der Medizininformatik-Initiative bei, indem sie eine verbesserte Diagnose, Prävention und Therapie unterstützen.
Schwerpunkte
Zentrale Forschungsthemen des Bereiches sind:
KI & Maschinelles Lernen in der Medizin
- Entwicklung von Modellen zur Klassifikation, Detektion und Gruppierung von Patientendaten
- Datenanalyse basierend auf standardisierten medizinischen Daten mit Hilfe von Common Data Models
- Generierung von synthetischen Daten auf Basis von tabellarischen Patienteninformationen
- Erklärbarkeit von Modellen (XAI)
Entwicklung von Arbeitsabläufen zur Datenanalyse
- Auswertung von bulk, Einzelzell- und räumlich-aufgelösten Genexpressionsdaten
- Harmonisierung und Auswertung von Biosignalen
- Prozessierung und Integration von Multi-Omics Daten mittels Netzwerkmodellierung
- Visualisierung von klinischen Daten
- Konfiguration und Automatisierung von Machine Learning Prozessen
Leitung des FB
Ausgewählte Projekte
- Digitaler FortschrittsHub MiHUBx - Digitale Workflow-Integration in der personalisierten Onkologie (Arbeitspaket 6)
- Saturn - Smartes Arztportal für Patienten mit unklarer Erkrankung, Entwicklung eines CDMs für Seltene Erkrankungen
- Somnolink - Entwicklung von Klassifikations- und Vorhersagemodellen im Kontext der Schlaf-Apnoe
- ACRIBiS - Personalisierte Risikobewertung für Herz-Kreislauf-Erkrankungen
- GeMTeX - Medizinische Texte für die Forschung automatisiert erschließen
- PM4Onco - Personalisierte Medizin für die Onkologie
Lehrangebote (jedes Semester)
- Komplexpraktikum "Medizinische Informatik I": Medizinische Entscheidungsunterstützungssysteme im Master-/Diplomstudiengang Informatik der Technischen Universität Dresden
- Wahlfach "Kompetenztraining medizinische Data Science" für Medizinstudent:innen der medizinischen Fakultät der TU Dresden
- Leitung von Seminargruppen im Fach "Querschnittsbereich 1: Epidemiologie, medizinische Biometrie und medizinische Informatik" für Medizinstudent:innen sowie Mitarbeiter:innen der medizinischen Fakultät der TU Dresden
Ausgewählte Publikationen
- K. Schultz, S. Bej, W. Hahn, M. Wolfien, P. Srivastava, O. Wolkenhauer, "ConvGeN: A convex space learning approach for deep-generative oversampling and imbalanced classification of small tabular datasets": https://doi.org/10.1016/j.patcog.2023.110138
- N. Ahmadi, M. Zoch, [...] , M. Wolfien, M. Sedlmayr , "How to customize common data models for rare diseases: an OMOP-based implementation and lessons learned": https://doi.org/10.1186/s13023-024-03312-9