Data Science und KI

Die physiologischen Prozesse und Regelkreise im Körper weisen eine hohe Komplexität auf und unterliegen vielfältigen Wechselwirkungen. Aus dieser Komplexität ergeben sich besondere Herausforderungen bei der Entwicklung neuartiger Medizingeräte und Therapieformen. An der Fraunhofer IMTE wird die Anwendung hochdetaillierter digitaler Patient:innenmodelle zur Reproduktion und Simulation komplexer physiologischer Prozesse untersucht. Die Patientenmodelle lassen sich zum Beispiel zur Erzeugung künstlicher Daten nutzen, insbesondere wenn die Erhebung dieser Daten klinisch nur schwer durchzuführen bzw. mit hohen Kosten und aufwändigen Studien verbunden ist. Darüber hinaus wird der physiologische Erkenntnisgewinn ebenso adressiert wie die Verbesserung von Signalverarbeitungsalgorithmen. Um einen glaubwürdigen Einsatz der Patient:innenmodelle sicherzustellen, steht die Verifizierung und Validierung in allen Entwicklungsschritten im Fokus.

Bei der Verwendung moderner KI-Verfahren ist man häufig noch auf eine große Rechenleistung und entsprechende Hardware-Unterstützung angewiesen. Dies stellt besondere Herausforderungen an Medizingeräte, bei denen die Inferenz in Echtzeit und mit hoher Genauigkeit gelöst werden muss.
Am Fraunhofer IMTE bieten wir daher innovative Lösungen an, um Algorithmen des Maschinelles Lernens auch auf eingebetteten Systemen einsetzen zu können.  Dies ebnet einer neuen Klasse von Biosensoren den Weg, welche auch komplexe multimodale Signale verarbeiten können und neue therapeutische und diagnostische Ansätze ermöglichen.
Zu diesem Zweck werden ressourceneffiziente KI-Methoden untersucht, die auf Ausnutzung von Strukturen und Modellkompression basieren. Gleichzeitig steht die Verwendung innovativer Hardware-Lösungen im Fokus (z.B. TPUs, FPGAs).

Die kontinuierliche Aufnahme von elektrophysiologischen Signalen spielt eine immer größere Rolle bei der Behandlung von Patient:innen. Mittels EMG, EKG und EEG werden nichtinvasiv die körperinternen physiologischen und pathologischen Prozesse gemessen und beurteilt. In Kombination mit Monitoringdaten können frühzeitig kritische Situationen, wie der kardiogene Schock, prädiziert werden und als Frühwarnsysteme genutzt werden.

Am Fraunhofer IMTE werden KI-Verfahren für die Biosignalverarbeitung entwickelt mit dem Ziel die Vorsorge, Diagnostik und Therapie von Krankheiten zu verbessern.

Die Methodenkompetenz des Fraunhofer IMTE liegt in den Bereichen Deep Learning, Uncertainty Quantification und Probabilistic Graphical Models. Ein besonderer Fokus liegt dabei auf der Entwicklung echtzeitfähiger und robuster Methoden, welche den hohen regulatorischen Anforderungen der Medizinprodukteentwicklung gerecht werden.

Gerade im medizinischen Kontext ist es entscheidend, dass KI-gestützte Softwarelösungen robust mit Unsicherheiten umgehen können und diese in geeigneter Form an die Anwender:innen kommunizieren. Viele gängige Methoden des Maschinellen Lernens bieten allerdings nur eine unzureichende Quantifizierung der Prädiktionsunsicherheit (sowohl aleatorische als auch epistemische Unsicherheiten). Insbesondere wurde gezeigt, dass tiefe neuronale Netze häufig eine schlechte Kalibrierung der Klassenkonfidenzen aufweisen. Diese Herausforderung kann durch neue skalierbare Bayes’sche Ansätze adressiert werden. Die Fraunhofer IMTE untersucht hierbei insbesondere Gaußprozess-basierte Ansätze und deren Kombination mit tiefen neuronalen Netzen. Solche Methoden stellen eine wesentliche Grundlage für sichere und robuste KI-Systeme dar.