KI Projekte an der Medizischen Fakultät Heidelberg

Projektbeschreibung: 

In diesem Projekt wird ein KI-gestütztes Assistenzsystem für die Hautkrebsdiagnostik entwickelt, das aus der universitären Forschung MDR-konform in die Marktfähigkeit überführt werden soll. Die Software unterstützt Ärztinnen und Ärzte bei der Beurteilung potenziell maligner Hautläsionen und legt dabei Wert auf Erklärbarkeit, um Vertrauen in die Technologie zu stärken. Gemeinsam mit der HEINE Optotechnik GmbH & Co. KG wird die Lösung in digitale Dermatoskope integriert, um eine breite Anwendung in der Hautkrebsvorsorge zu ermöglichen. Ziel ist eine messbare Verbesserung der Diagnostik und damit ein konkreter Nutzen für Patienten und Patientinnen, Behandelnde und das Gesundheitssystem. Gleichzeitig dient das Projekt als Blaupause für andere Forschungseinrichtungen und erarbeitet Empfehlungen für regulatorische sowie gesundheitspolitische Rahmenbedingungen.

Vision: 

KI ist für unsere Forschung wichtig, weil sie dazu beitragen kann, die frühzeitige und präzisere Erkennung von Melanomen zu unterstützen und unnötige Biopsien zu vermeiden. Unsere Vision ist eine vertrauenswürdige, erklärbare und MDR-konforme Lösung, die im digitalen Dermatoskop als ergänzende Entscheidungshilfe eingesetzt wird. In der Versorgung soll KI perspektivisch unter klaren klinischen Rahmenbedingungen genutzt werden: transparent, validiert und mit Blick auf Fairness sowie Datensicherheit. So kann sie Ärzte und Ärztinnen unterstützen und potenziell zu verbesserten Behandlungsergebnissen beitragen.

Kontakt: 

PD Dr. med. Titus J. Brinker: titus.brinker(at)nct-heidelberg.de 

Projektbeschreibung: 

Das Projekt zielt auf die Entwicklung eines KI-gestützten Systems zur automatisierten Analyse von Herzdeformationen sowie zur präzisen Phänotypisierung kardiovaskulärer Erkrankungen auf Basis von Kardio-MRT-Daten ab. Im Fokus steht eine herzphasen-spezifischen Strain-Analyse, die auf deformierbaren Bildregistrierungsmodellen basiert und sowohl die automatische Detektion charakteristischer Herzphasen als auch die vektorfeldbasierte Strainberechnung ermöglicht.  Ziel ist es, die Eignung dieser Methodik für die Charakterisierung komplexer Krankheitsbilder, insbesondere der Herzinsuffizienz mit erhaltener Ejektionsfraktion (HFpEF), zu evaluieren.  Darüber hinaus wird untersucht, inwiefern eine Integration multimodaler Informationen aus Kardio-MRT, Echokardiographie und klinischen Daten die diagnostische und prognostische Aussagekraft steigern kann. Der innovative Ansatz vereint deformierbare Bildregistrierungsmodelle für Strain-Analyse und Herzphasendetektion mit multimodaler Datenfusion zu einer umfassenden, patientenspezifischen Diagnostik.

Vision: 

Mit der wachsenden und alternde Bevölkerung steigt der Bedarf an präziser Diagnostik und individueller Therapieentscheidung. KI bietet die Chance, ÄrztInnen durch intelligente, datengetriebene Analysesysteme zu unterstützen, damit mehr Menschen schneller Zugang zu einer besseren und personalisierten medizinischen Versorgung erhalten und Ärzte mehr Zeit für ihre Patienten haben.

Kontakt: 

Sarah Kaye Müller 

PhD Student of Institute "Artificial Intelligence in Cardiovaskular Medicine" [AICM]

Heidelberg University Hospital | Im Neuenheimer Feld 410 | D-69120 Heidelberg

SarahKaye.Mueller(at)med.uni-heidelberg.de

Sandy.Engelhardt(at)med.uni-heidelberg.de

Projektbeschreibung: 

Das Projekt zielt darauf ab, generative KI-Modelle zu entwickeln, die realistische medizinische Bilddaten erzeugen, ohne Patientendaten offenzulegen. Durch einen ressourcenschonenden Diffusionsansatz und optimierte Evaluationsmetriken trägt das Projekt zu einer nachhaltigen und effizienten Anwendung generativer KI in der Medizin bei. Ein besonderer Fokus liegt auf der Reduktion von Datenmemorisierung, der Verbesserung von Bildqualität- und Diversität sowie der Analyse des ökologischen Fußabdrucks solcher Modelle.

Vision: 

Künstliche Intelligenz, insbesonder Generative KI,  spielt eine zentrale Rolle in der medizinischen Bildgebung, da sie komplexe Strukturen erfassen und aus begrenzten Daten realistische, diagnostisch relevante Informationen generieren kann. Zukünftig sollen generative KI-Systeme über die reine Bildsynthese hinausgehen und patientenzentrierte, multimodale Repräsentationen schaffen. Durch die Integration von Anatomie, Physiologie und verschiedenen Bildmodalitäten in gemeinsame latente Räume kann KI neue Korrelationen entdecken, Modalitäten überbrücken und digitale Patientenzwillinge ermöglichen. Damit entsteht eine Grundlage für eine tiefere, datengetriebene und personalisierte medizinische Forschung.

Kontakt: 

Marvin.seyfarth(at)med.uni-heidelberg.de

SalmanUlHassan.Dar(at)med.uni-heidelberg.de  

Sandy.engelhardt(at)med.uni-heidelberg.de

Projektbeschreibung: 

Die Entwicklung von KI-Systemen zur Analyse chirurgischer Bild- und Videodaten stellt ein aktives Forschungsfeld dar. Solche Systeme ermöglichen die Extraktion von Informationen über den Ablauf von Operationen, die bislang unzugänglich waren. Diese Informationen können zur Echtzeit-Unterstützung des OP-Personals eingesetzt werden, um die Sicherheit der chirurgischen Eingriffe zu erhöhen und logistische Prozesse im Operationssaal zu optimieren. Darüber hinaus eröffnet die retrospektive Analyse von Eingriffen die Möglichkeit, wertvolle Informationen aus den Aufzeichnungen zu gewinnen und diese den angehenden Chirurgen*innen zur Verfügung zu stellen.

Im Rahmen dieses Projekts untersuchen wir die Entwicklung von multimodalen KI-Modellen, die Bild- und Textdaten aus kardiochirurgischen Videoaufnahmen gleichzeitig verarbeiten und interpretieren können.

Vision: 

KI-Modelle, die gleichzeitig chirurgische Bild- und Textdaten verarbeiten und auswerten können, bilden eine wichtige Grundlage für neuartige interaktive Lernplattformen und entscheidungsunterstützende Systeme.

Kontakt: 

Prof. Dr. Sandy Engelhardt
Institute for Artificial Intelligence in Cardiovascular Medicine
Klinik für Herzchirurgie
Universitätsklinikum Heidelberg
Im Neuenheimer Feld 420
69120 Heidelberg
+49 6221 56-37173, sandy.engelhardt(at)med.uni-heidelberg.de 

Georgii Kostiuchik
Institute for Artificial Intelligence in Cardiovascular Medicine
Klinik für Herzchirurgie
Universitätsklinikum Heidelberg
Im Neuenheimer Feld 420
69120 Heidelberg
+49 6221 56-310341, georgii.kostiuchik(at)med.uni-heidelberg.de

Projektbeschreibung: 

Das im DZHK gestartete und nun internationaliesierte Projekt zielt darauf ab, klinische Komplikationen von Transkatheter-Aortenklappenimplantationen (TAVI) vorherzusagen. Hierbei werden Daten verschiedener Institutionen, sowie verschiedener Modalitäten (CT, EKG, Protheseninformtionen, ... usw.) einbezogen, ohne dass diese die Institution verlassen. Das fördertiert trainierte und in Heidelberg orchestrierte Modell kann über mehrere Zentren trainiert und evaluiert werden. 

Vision: 

Künstliche Intelligenz, insbesondere Deep Learning, spielt eine zentrale Rolle in der medizinischen Bildgebung, da sie komplexe Strukturen erfassen und aus begrenzten Daten realistische, diagnostisch relevante Informationen vorhersagen kann. Föderierte Verfahren ermöglichen das Training solcher Deep Learning Modelle auf Daten verschiedener Institutionen, ohne dabei patientenspezifische Information auszutauschen. Durch die Erweiterung solcher föderierten Modelle um multi-modale Kapazitäten, lassen sich vorhandene Daten verschiedener Diagnostikverfahren (zum Beispiel CT und ECG) miteinander kombinieren, um die Vorhersagen von Deep Learning Modellen signifikant zu verbessern. Die Kombination föderierter und multi-modaler Techniken ermöglicht eine umfassende Zusammenarbeit zwischen klinischen Abteilungen und Zentren, und legt Grundsteine für eine tiefere und datengetriebene medizinische Forschung und Diagnostik.

Kontakt: 

Yannik.Frisch(at)med.uni-heidelberg.de

Sandy.engelhardt(at)med.uni-heidelberg.de 

Projectübersicht: 

Die WSI-Babel-Shark-Pipeline ist ein modulares Framework für die automatisierte Metadatenextraktion aus digitalen Pathologieschnitten (WSIs).
Es integriert Barcode-Decodierung, ROI-basierte optische Zeichenerkennung, Fleckenerkennung und die Generierung von Schnitt-IDs, um aus rohen histopathologischen Daten strukturierte Register zu erstellen.
Durch die Kombination von Deep-Learning-basierter Layout-Klassifizierung mit regelbasierter Textanalyse erreicht es eine robuste Erkennung komplexer Beschriftungslayouts über verschiedene Scanner und Färbeprotokolle hinweg.
Das System legt Wert auf Reproduzierbarkeit, modulares Design und transparente Protokollierung und bietet ein skalierbares Werkzeug für KI-gesteuerte digitale Pathologie-Workflows.
Es dient als Nachfolger des früheren WSI-BabelFish-Prototyps mit verbesserter Open-Set-Verarbeitung und ROI-Fallback-Logik.

Vision: 

Künstliche Intelligenz ermöglicht eine reproduzierbare, groß angelegte Integration von Pathologiedaten für Forschung und klinische Praxis.
Durch die Automatisierung der Erfassung und Harmonisierung von Metadaten überbrückt Babel-Shark die Lücke zwischen rohen digitalen Objektträgern und strukturierten Datensätzen, die für die nachgelagerte KI-Analyse bereit sind.
Wir stellen uns eine vollautomatische Infrastruktur für die digitale Pathologie vor, in der Metadaten, Bildinhalte und klinischer Kontext nahtlos miteinander verknüpft sind.
Solche Systeme werden das Training von KI-Modellen beschleunigen, eine transparente Validierung ermöglichen und die Präzisionsdiagnostik einrichtungsübergreifend unterstützen.

Kontakt: 

Shahram Aliyari¹

¹ Sektion Computational Pathology Heidelberg, Institut für Pathologie Heidelberg, Universitätsklinikum Heidelberg, Universität Heidelberg, Heidelberg, Deutschland.

Shahram.aliyari(at)med.uni-heidelberg.de  

Projektbeschreibung: 

DiagnosticReportHarvester ist eine selbst-hostbare klinische Textsuchplattform zur Identifizierung relevanter klinischer Fälle aus Freitext-Diagnoseberichten. Sie kombiniert Elasticsearch-Indizierung mit klinischem NLP, um Terminologie zu normalisieren, Abfragen mit UMLS-Synonymen zu erweitern und Negationen oder Modifikatoren zu erkennen (über medspaCy oder mit LLM-gestützter semantischer Suche). Das System unterstützt das semantische Retrieval mit klinischen LLM-Einbettungen und ordnet Berichte ein, um die manuelle Screening-Zeit zu reduzieren. Es wurde für die Kompatibilität mit SQL-basierten klinischen Datenbanken entwickelt und bietet eine sichere Webschnittstelle, die für Routine- und Forschungsabläufe geeignet ist.

Vision: 

Durch die Umwandlung unstrukturierter klinischer Texte in durchsuchbare, semantisch reichhaltige Daten beschleunigt DiagnosticReportHarvester die Entdeckung von Kohorten und die Hypothesenbildung. Wir stellen uns eine datenschutzfreundliche Suchschicht vor, die mit LIS/PACS und nachgelagerten KI-Pipelines integriert werden kann. Das Ergebnis ist eine schnellere, reproduzierbare Fallauswahl mit transparenten Evidenzpfaden, denen Kliniker vertrauen können.

Kontakt: 

Maximilian Legnar Msc.¹

¹ Sektion Computational Pathology Heidelberg, Institut für Pathologie Heidelberg, Universitätsklinikum Heidelberg, Universität Heidelberg, Heidelberg, Deutschland.

Maximilian.Legnar(at)med.uni-heidelberg.de  

Projektbeschreibung: 

Große Sprachmodelle (Large Language Models, LLMs) werden zunehmend in der medizinischen Dokumentation eingesetzt und wurden für die klinische Entscheidungshilfe vorgeschlagen. Ein Hauptaugenmerk in diesem Bereich lag auf der Bewertung geschlossener LLMs, während das Interesse an Open-Source-Alternativen zunimmt.  Wir bewerten die Leistung von kleinen Sprachmodellen als Bausteine für neuartige offene Compound-AI-Systeme, die am Rande betrieben werden können.

Vision: 

LLM-basierte KI-Systeme für medizinische Präparate müssen auf transparenten und kontrollierbaren Open-Source-Modellen beruhen. Offenheit ermöglicht es den Entwicklern von medizinischen Werkzeugen, die Sicherheit und Qualität der zugrunde liegenden KI-Modelle zu kontrollieren, und erlaubt es gleichzeitig den medizinischen Fachkräften, diese Modelle zur Verantwortung zu ziehen. Aus diesen Gründen muss die Zukunft des medizinischen KI-Systems offen sein.

Kontakt: 

lars.riedemann(at)med.uni-heidelberg.de 

Projektbeschreibung:

Dieses Projekt zielt darauf ab, neue prädiktive und prognostische Biomarker für PDAC zu entwickeln, indem fortschrittliches Deep Learning auf histologische und immunhistochemische (IHC) Daten angewendet wird. Durch die Integration multimodaler Bildmerkmale versuchen wir, molekulare Merkmale direkt von Objektträgern vorherzusagen. Der Ansatz wird räumliche Nischen kartieren, in denen spezifische Zellphänotypen koexistieren, und bewerten, wie ihre Heterogenität die klinischen Ergebnisse beeinflusst. Dieses KI-gesteuerte System befasst sich mit der komplexen, stromareichen Mikroumgebung von PDAC und hat das Potenzial, personalisierte Behandlungsstrategien durch die Entdeckung bildbasierter Biomarker voranzutreiben.

Vision: 

KI revolutioniert die Erforschung von Krankheiten, indem sie Routinebilder in reichhaltige Quellen für molekulare und klinische Erkenntnisse verwandelt. Sie ermöglicht es uns, die Mikroumgebung von Tumoren zu entschlüsseln und die Ergebnisse mit noch nie dagewesener Präzision vorherzusagen. Die Zukunft der KI in der Forschung liegt nicht im Ersatz von Wissenschaftlern, sondern in der Erweiterung der Grenzen dessen, was die Wissenschaft enthüllen kann.

Kontakt:

Prof. Dr. Jakob N. Kather – jakob.kather@med.uni-heidelberg.de

PD. Dr. Nathalia Giese - Nathalia.Giese(at)med.uni-heidelberg.de

Dr. Anna-Katharina König - Anna-Katharina.Koenig(at)med.uni-heidelberg.de

Projektbeschreibung

Unser Projekt nutzt dezentrale Deep-Learning-Ansätze, insbesondere das Schwarmlernen, um KI-Modelle institutionsübergreifend gemeinsam zu trainieren, ohne Rohdaten zu teilen. Dadurch wird sichergestellt, dass sensible Informationen lokal bleiben, während gleichzeitig leistungsstarke, multizentrische Datensätze erstellt werden können. Unsere aktuellen Initiativen wenden Schwarmlernen auf eine Vielzahl klinischer Datentypen an, darunter histopathologische Ganzkörperbilder, CT- und MRT-Scans, chirurgische Videos und Einzelzellanalysen. Mit diesem Ansatz wollen wir die medizinische KI vorantreiben und gleichzeitig die höchsten Standards für Datenschutz und Sicherheit einhalten.

Vision: 

KI revolutioniert die Erforschung von Krankheiten, indem sie Routinebilder in reichhaltige Quellen für molekulare und klinische Erkenntnisse verwandelt. Sie ermöglicht es uns, die Mikroumgebung von Tumoren zu entschlüsseln und die Ergebnisse mit noch nie dagewesener Präzision vorherzusagen. Die Zukunft der KI in der Forschung liegt nicht im Ersatz von Wissenschaftlern, sondern in der Erweiterung der Grenzen dessen, was die Wissenschaft enthüllen kann.

Kontakt:

Prof. Dr. Jakob N. Kather – jakob.kather@med.uni-heidelberg.de

Dr. Oliver Saldanha - Oliver.Saldanha(at)med.uni-heidelberg.de 

Dr. Silvia Barbosa – silvia.barbosa(at)med.uni-heidelberg.de

Projektbeschreibung:

Das Ziel dieses Projekts ist die Entwicklung eines vollautomatischen KI-Modells für eine genaue Gliom-Prognose durch die Integration von präoperativen MRT- und postoperativen WSI-Daten, um den kritischen klinischen Engpass der manuellen Bildsegmentierung zu beseitigen. Der zentrale innovative KI-Ansatz ist eine vollautomatische, segmentierungsfreie Pipeline, die vortrainierte Basismodelle einsetzt, um tiefe Merkmale direkt aus den Rohdaten der Bildgebung zu extrahieren. Im Rahmen des Projekts wird die optimale Datenfusionsstrategie systematisch untersucht, indem neuartige Fusionsarchitekturen im Vergleich zu Single-Modality-Modellen und einfacheren Fusions-Baselines bewertet werden. Ziel dieser Forschung ist es, festzustellen, ob dieser grundlagenmodellgesteuerte Ansatz ein genaueres, objektiveres und skalierbareres Instrument für die klinische Risikostratifizierung bieten kann als die derzeitigen Methoden.
 

Vision: 

Künstliche Intelligenz ist für unsere Forschung unerlässlich, da sie eine praktische Möglichkeit bietet, die komplementären Informationen aus makroskopischen MRT- und mikroskopischen WSI-Daten quantitativ zu integrieren. Unser spezifischer Einsatz von Basismodellen ist von entscheidender Bedeutung, da er es uns ermöglicht, den Engpass der manuellen Segmentierung zu umgehen und eine vollständig automatisierte und reproduzierbare Analysepipeline zu ermöglichen. Wir stellen uns eine Zukunft vor, in der solche automatisierten Systeme nahtlos in klinische Standardarbeitsabläufe integriert werden und routinemäßig erfasste Bildgebungsdaten im Hintergrund analysieren, um eine konsistente, objektive Entscheidungshilfe zu bieten.

Kontakt:

Prof. Dr. Jakob N. Kather – jakob.kather@med.uni-heidelberg.de

Dr. Silvia Barbosa – silvia.barbosa(at)med.uni-heidelberg.de

Prof. Dr. Shuixing Zhang – zsx7515(at)jnu.edu.cn 

Projektbeschreibung:

Ziel dieses Projekts ist die Nutzung von KI zur Vorhersage der Prognose von Darmkrebs und in Zukunft auch des Ansprechens auf eine Behandlung. Unter Verwendung von Daten aus der ColoCare-Studie konzentrieren wir uns auf bildgebende Phänotypen, die aus CT-Scans und digitaler Pathologie abgeleitet werden, um Muster zu identifizieren, die mit klinischen Ergebnissen wie Rezidiv und krankheitsfreiem Überleben verbunden sind. Unsere Forschung befasst sich mit der zentralen Frage, wie bildgebende Merkmale die zugrunde liegende Tumorbiologie und die Ergebnisse der Patienten widerspiegeln. Der innovative Aspekt dieser Arbeit liegt in ihrem vollautomatischen, agnostischen KI-Ansatz, der die Entdeckung neuartiger, datengesteuerter bildgebender Biomarker ermöglicht, ohne auf vordefinierte Annahmen angewiesen zu sein.

Vision: 

KI ist für diese Forschung von entscheidender Bedeutung, da sie es uns ermöglicht, komplexe, verborgene Muster in medizinischen Bildern aufzudecken, die sich der menschlichen Wahrnehmung entziehen. Durch die Anwendung von KI auf CT-Scans und digitale Pathologiedaten wollen wir die Prognose von Darmkrebs und mit der Zeit auch den Behandlungserfolg besser vorhersagen. Diese Arbeit wird eine Grundlage für die Integration verschiedener Datentypen innerhalb der ColoCare-Studie schaffen, um die Präzisionsmedizin zu verbessern. Letztendlich stellen wir uns eine Zukunft vor, in der KI-gesteuerte Erkenntnisse eine wirklich individualisierte Behandlung für Darmkrebspatienten ermöglichen.

Kontakt:

Dr. Biljana Gigic – biljana.gigic(at)med.uni-heidelberg.de

Dr. Victoria Damerell – victoria.damerell(at)med.uni-heidelberg.de

Prof. Dr. Jakob N. Kather – jakob.kather@med.uni-heidelberg.de

Dr. Silvia Barbosa – silvia.barbosa(at)med.uni-heidelberg.de

Project overview

The goal of the LIMBS project is to reduce the time- and labor-intensive process of extracting structured information from proprietary document formats, such as PDFs and unstructured text, by employing a generative AI framework with human-in-the-loop oversight. Can generative information extraction enhance efficiency and documentation quality in real-world clinical settings?

The LIMBS project is implementing a biomedical information extraction framework combining different machine learning (ML) techniques like optical character recognition (OCR), large language models (LLMs) and vision language models (VLMs) into one agentic system to extract structured information from unstructured PDF documents. 

The limbs-framework’s modular architecture enables cost efficient generalization to new clinical settings via prompt engineering and allows for easy extension or customization by third-parties.

Vision: 

AI is essential for our research because it can unlock clinically valuable information trapped in unstructured, heterogeneous records like discharge summaries and physician letters, which currently limit interoperability and complicate the integration and analysis of patient data. By transforming this information into structured, analyzable insights, generative machine learning enables optimized data sharing, better clinical decision-making, and accelerated research.

Contact: 

 Dr. Keno März - k.maerz(at)Dkfz-Heidelberg.de 

Projektbeschreibung: 

Das Projekt zielt darauf ab, ein automatisiertes, KI-basiertes System zur Beurteilung des Schweregrads der Lungenerkrankung bei Mukoviszidose (CF) in MRT-Bildern zu entwickeln, um die Grenzen der derzeitigen visuellen Scoring-Methoden zu überwinden, die zeitaufwändig und subjektiv sind. Mithilfe von Deep Learning, insbesondere Convolutional Neural Networks (CNNs), sollen zentrale MRT-Merkmale wie bronchiale Wandveränderungen, Schleimpfropfbildung, Konsolidierungen und Perfusionsstörungen erfasst werden. Eine Datengrundlage von rund 850 standardisierten Thorax-MRTs von 200 CF-Patientinnen und -Patienten, die zuvor durch Expertinnen und Experten bewertet wurden, dient als Referenz (Ground Truth) für das Training und die Validierung. Die daraus entstehende Software soll eine schnelle, objektive und benutzerunabhängige Beurteilung ermöglichen und zugleich als Entscheidungshilfe für klinisches Fachpersonal dienen. Abschließend wird der Prototyp im klinischen Workflow getestet und in einem multizentrischen Setting mit bislang unbekannten Daten validiert, um Robustheit und Übertragbarkeit sicherzustellen. 

Vision: 

Künstliche Intelligenz ist in diesem Forschungsprojekt entscheidend, um die bisher subjektive und zeitaufwändige visuelle Beurteilung von CF-MRTs durch ein automatisiertes, objektives und reproduzierbares Verfahren zu ersetzen. In Zukunft wird KI die radiologische Befundung transformieren, indem sie Ärztinnen und Ärzte mit präzisen, datenbasierten Analysen unterstützt und so eine schnellere, standardisierte und patientenorientierte Diagnostik ermöglicht.

Kontakt: 

Dr. Urs Eisenmann (urs.eisenmann@med.uni-heidelberg.de) 

Institut für Medizinische Informatik

Im Neuenheimer Feld 130.3

69120 Heidelberg

Projektbeschreibung: 

Im Projekt wird ein KI-basiertes System zur automatisierten Bestimmung des Lungenperfusions-Scores aus MRT-Bildern bei verschiedenen chronischen Lungenerkrankungen entwickelt. Ziel ist es, durch den Einsatz von Bildverarbeitungsmethoden und KI-Ansätzen eine MRT-basierte Lungenlappendefinition und eine zuverlässige Klassifikation von Perfusionsstörungen zu ermöglichen. Durch die multizentrische Datenerhebung sollen generalisierbare Modelle entstehen, die zusätzlich zu den Bilddaten auch klinische Lungenfunktionsparameter einbeziehen. Ein besonderer Fokus liegt auf der Nachvollziehbarkeit der Entscheidungsprozesse, weshalb Methoden der Explainable AI zur Anwendung kommen.

Vision: 

Ziel ist es, ärztliche Entscheidungsprozesse bei der Beurteilung von Lungenperfusionsstörungen mithilfe von KI nachzubilden und zu unterstützen, insbesondere dort, wo klassische Bildverarbeitungsmethoden an ihre Leistungsgrenzen stoßen. KI bietet die Möglichkeit, komplexe Muster in MRT- und klinischen Daten zu erkennen und zusätzliche Datentypen in die Entscheidungsfindung einzubeziehen. Dadurch entsteht das Potenzial für eine reproduzierbare, transparente und effizientere Diagnostik chronischer Lungenerkrankungen.

Kontakt: 

Dr. Urs Eisenmann (urs.eisenmann@med.uni-heidelberg.de) 

Institut für Medizinische Informatik

Im Neuenheimer Feld 130.3

69120 Heidelberg

Projektbeschreibung: 

Es handelt sich nicht um ein Einzelprojekt, sondern um zahlreiche laufende und geplante Untersuchungen. Ziel ist die Adressierung intensivmedizinischer und perioperativer Fragestellungen mithilfe KI-gestützter Methoden. Im Mittelpunkt stehen explorative Analysen vielfältiger klinischer Datensätze sowie der Einsatz maschineller Lernalgorithmen für prädiktive und entscheidungsunterstützende Anwendungen. Langfristig soll die translationale Umsetzung dieser Erkenntnisse in den klinischen Alltag erfolgen und so die Qualität und Sicherheit der Patient*innenversorgung weiter verbessert werden.

Vision: 

Künstliche Intelligenz eröffnet neue Möglichkeiten, komplexe medizinische Zusammenhänge sichtbar zu machen. Unsere Vision ist es, auf Basis KI-gestützter Untersuchungen klinische Entscheidungen auf eine neue Ebene von Präzision und Erkenntnis zu heben, und so Patient*innen individueller, sicherer und vorausschauender behandeln zu können.

Kontakt: 

melanie.marhofer(at)med.uni-heidelberg.de