Artificial Intelligence und Big Data

• PD Dr. Sebastian Bickelhaupt
• Prof. Dr. Matthias May
• Prof. Dr. Matthias Dietzel
• Dr. Konstantin Hellwig
• Dr. Lorenz Kapsner
• Kaan Türkan
• Leonard Stepansky
• Joy Kleiß
• Lisa Sommerfeld

Der technologische Fortschritt ermöglicht in der bildgebenden Diagnostik zunehmend die translationale Erforschung und Einbindung von Verfahren der künstlichen Intelligenz (KI) und des maschinellen Lernens. Diese Verfahren erlauben es, aus den jeweiligen medizinischen (Bild-)Daten und in der Verknüpfung unterschiedlicher medizinischer Datenquellen für den Menschen nicht erfassbare Muster und Korrelationen zu erkennen, die zum medizinischen Erkenntnisgewinn für eine verbesserte bildgebende Diagnostik eingesetzt werden können. Die Weiterentwicklung und Erforschung dieser Technologien zählt zu den zentralen Aufgaben der translationalen klinischen Forschung im 21. Jahrhundert, insbesondere in der medizinischen Bildgebung, die in der Digitalisierung der Krankenhäuser eine Vorreiterrolle spielt. In enger interdisziplinärer Zusammenarbeit, insbesondere auch mit den medizintheoretischen Fächern und der Informatik, erforscht und entwickelt die Arbeitsgruppe „Artificial Intelligence and Big Data“ neue Ansätze aus einem klinischen Verständnis der Datenanalytik. Ziel ist es die Verfahren des maschinellen Lernens und der künstlichen Intelligenz einzusetzen, um Diagnose, Therapiekontrolle und Prognostik für die Patienten:innen weiter zu verbessern und die Weiterentwicklung der personalisierten Präzisionsmedizin weiter zu unterstützen.

Aktuelle Publikationen (Auswahl):

1. Ellmann S, Seyler L, Gillmann C, Popp V, Treutlein C, Bozec A, Uder M, Bäuerle T.
   Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model. J Vis Exp. 2020 Aug 16;(162). doi: 10.3791/61235. PMID: 32865533..
2. Ellmann S, Schlicht M, Dietzel M, Janka R, Hammon M, Saake M, Ganslandt T, Hartmann A, Kunath F, Wullich B, Uder M, Bäuerle T.
   Computer-Aided Diagnosis in Multiparametric MRI of the Prostate: An Open-Access Online Tool for Lesion Classification with High Accuracy.
   Cancers (Basel). 2020 Aug 21;12(9):2366. doi: 10.3390/cancers12092366. PMID: 32825612
3. Ellmann S, Wenkel E, Dietzel M, Bielowski C, Vesal S, Maier A, Hammon M, Janka R, Fasching PA, Beckmann MW, Schulz Wendtland R, Uder M, Bäuerle T.
   Implementation of machine learning into clinical breast MRI: Potential for objective and accurate decision-making in suspicious breast masses. PLoS One. 2020 Jan 30;15(1):e0228446. doi: 10.1371/journal.pone.0228446. PMID: 31999755; PMCID: PMC6992224.
4. Bickelhaupt S, Jaeger PF, Laun FB, Lederer W, Daniel H, Kuder TA, Wuesthof L, Paech D, Bonekamp D, Radbruch A, Delorme S, Schlemmer HP, Steudle FH, Maier-Hein KH. Radiomics Based on Adapted Diffusion Kurtosis Imaging Helps to Clarify Most Mammographic Findings Suspicious for Cancer. Radiology. 2018 Jun;287(3):761-770. doi: 10.1148/radiol.2017170273. Epub 2018 Feb 20. PMID: 29461172.
5. Dreher C, Kuder TA, König F, Mlynarska-Bujny A, Tenconi C, Paech D, Schlemmer HP, Ladd ME, Bickelhaupt S. Radiomics in diffusion data: a test-retest, inter- and intra-reader DWI phantom study. Clin Radiol. 2020 Oct;75(10):798.e13-798.e22. doi: 10.1016/j.crad.2020.06.024. Epub 2020 Jul 25. PMID: 32723501.