Automatisierte Analyse von Daten mittels Maschinellen Lernens in der Medizin

TraMeExCo: Transparent Medical Expert Companion

Ziel des BMBF-Projekts TraMeExCo (Transparent Medical Expert Companion) ist die Erforschung und Entwicklung geeigneter neuer Methoden zum robusten und erklärbaren Maschinellen Lernen (engl. „explainable AI, XAI) auf komplementären Anwendungen (Digitale Pathologie, Schmerzanalyse, Kardiologie) aus dem Bereich der Medizintechnik.

   


Dazu werden zum einen die Möglichkeiten einer diagnostischen Vorhersage auf verschiedenen Datenformen (Mikroskopische Bildpyramiden, Schmerzvideos, EKG-Daten) durch aktuelle Verfahren der Künstlichen Intelligenz ( „Deep Learning“, „Bayes‘sches Lernen“, „View Shot Learning“) untersucht. Zum anderen werden Ansätze genutzt, um die getroffenen Entscheidungen dem klinischen Personal transparent und erklärbar zu machen. Dazu werden Verfahren wie „Heat Maps“, „Layerwise Relevance Propagation“ (LRP) und „Inductive Logic Programming“ (ILP) untersucht und eingesetzt. Zudem wird die Modellierung von Unsicherheiten in Modellvorhersagen mittels Bayes’sches Lernen erforscht.


Am Fraunhofer IIS werden in der Abteilung „Bildverarbeitung und Medizintechnik“ (https://www.iis.fraunhofer.de/de/ff/sse/mbv/mikroskopie/digitale-pathologie.html) Ansätze des „Few Shot Learnings“ und „Heat Maps“ für die Digitale Pathologie untersucht und implementiert.

 

Die Bestimmung von Herzratenvariabilität auf verrauschten EKG und PEG Daten mittels „Long-term-Short-term“ Netzen erfolgt in der Abteilung „Bildverarbeitung und Medizintechnik“ (https://www.iis.fraunhofer.de/de/ff/sse/mks/profil.html).

In der Abteilung „Bildsensorik“ (https://www.iis.fraunhofer.de/de/ff/sse/ils/tech/shore-facedetection.html ) werden Verfahren des „Bayes‘schen Deep Learnings“ auf Schmerzvideos erforscht. Dabei kommt das sogenannte Facial Action Coding System (FACS) nach Ekman und Friesen zum Einsatz, bei dem jede individuelle Muskelbewegung (Action Unit) wie bspw. das Zusammenziehen der Augenbrauen, beschrieben, interpretiert und erkannt wird. Die automatische Erkennung bestimmter Action Units lässt auf Schmerz schließen.

Beim Projektpartner Universität Bamberg steht die Konzeption, Umsetzung und Erprobung von Verfahren zur Erklärbarkeit von diagnostischen Systementscheidungen mit LIME, LRP und ILP-Verfahren im Fokus. (https://www.uni-bamberg.de/en/cogsys/research/projects/bmbf-project-trameexco/).

 

Beim Projektpartner Fraunhofer HHI werden die Ansätze von „Layerwise Relevance Propagation“ (LRP) weiterentwickelt (https://www.hhi.fraunhofer.de/abteilungen/vca/projekte/trameexco.html).

Presse

Publikationen