Datenschutz und Datenverarbeitung

Wir setzen zum Einbinden von Videos den Anbieter YouTube ein. Wie die meisten Websites verwendet YouTube Cookies, um Informationen über die Besucher ihrer Internetseite zu sammeln. Wenn Sie das Video starten, könnte dies Datenverarbeitungsvorgänge auslösen. Darauf haben wir keinen Einfluss. Weitere Informationen über Datenschutz bei YouTube finden Sie in deren Datenschutzerklärung unter: http://www.youtube.com/t/privacy_at_youtube

KI in der Digitalen Pathologie

xAI – Erklärbare KI in der Digitalen Pathologie#

© BMBF

Ziel: Transparente KI Algorithmen in der digitalen Pathologie

Partner: Universität Bamberg (Cognitive Systems, Prof. Dr. Ute Schmid), Fraunhofer HHI

Aktueller Status:

  • Entwicklung und Evaluation von Technologien, die KI- Algorithmen nachvollziehbarer machen

Unsere Lösung:

  • Darstellung der Ergebnisse von Neuronalen Netzen in einfach nachvollziehbarer und transparenter Form
  • Berücksichtigen von Unsicherheiten sowohl aus den annotierten Trainingsdaten als auch aus dem Modell selbst

Gefördert vom Bundesministerium für Bildung und Forschung (BMBF)
Transparent Medical Expert Companion (TraMeExCo)

--------------------------------------------------

Literatur:

Schmid, Wittenberg (2019) TraMeExCo - Medical Expert Companion (Vortrag). All-Hands-Meeting (5. Juni 2019, Dortmund), Förderschwerpunkt Maschinelles Lernen des BMBF.
Rieger, Finzel, Seuß, Wittenberg, Schmid (2019) Make Pain Estimation Transparent: A Roadmap to Fuse Bayesian Deep Learning and Inductive Logic Programming (Poster). 41st Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC, 23.-27. Juli 2019, Berlin)

Bruns, Volker, Geppert, Carol (2019), Einsatz von Künstlicher Intelligenz in der digitalen Pathologie - Auf dem Sprung in die Routine?, Trillium Diagnostik 2/2019, https://www.trillium.de/zeitschriften/trillium-diagnostik/ausgaben-2019/td-heft-22019/pathologie/einsatz-von-kuenstlicher-intelligenz-in-der-digitalen-pathologie.html

Poster presentation at Global Engage blog: Tumor budding in brightfield immunostained colon sections

Entwicklung von robusten KI Systemen für die Digitale Pathologie#

Ziel:

  • Entwicklung von KI Algorithmen, die robust gegenüber der realen Heterogenität sind: Verschiedenen Scanner, Unterschiede bei den Färbungen, nicht optimale Bildqualität

Aktueller Status:

  • Entwicklung von Algorithmen zur Simulation von Varianzen bei Färbungen
  • Aufbau einer Datenbank von H&E-gefärbten Kolon-Präparaten mit verschiedene Scannern
  • Entwicklung von Prototypical Networks (PN) für Few-Shot Learning, das die Entwicklung neuer Klassifikatoren mit wenigen Daten und Annotationen erlaubt.

Datenbank:

  • In Bearbeitung

Unsere Lösung:

  • Abbilden der realen Heterogenität in Trainingsdatensätzen, bzw. Normalisieren der Daten, damit diese den Charakteristika der Trainingsdaten entsprechen.

 

Weitere Informationen#

Entwicklungspartner für individuelle Medizintechnik

Forschungs- und Entwicklungsdienstleistungen aus einer Hand

Überblick über aktuelle und abgeschlossene Forschungsthemen