Ziel von curAIscid ist es, Einzelprojekt-übergreifende KI-Problemstellungen gemeinsam zu bearbeiten und breit einsetzbare Lösungen zu entwickeln. Als wesentlich wurden vorab die folgenden vier Themen identifiziert:

Kleine Daten:Das Problem kleiner Datenmengen soll durch Ansätze wie Transferlernen, Datenerweiterung sowie wissensintensives maschinelles Lernen angegangen werden.

Erklärbarkeit:KI-basierte Vorhersagen können durch rein assoziative und nicht durch kausale Faktoren bedingt sein, was die Notwendigkeit unterstreicht, sowohl explainable AI als auch formale kausale Inferenzmethoden miteinander zu verbinden.

Repräsentationslernen und Phänotypisierung:Durch den Einsatz von bspw. Autoencoder-gestützter Dimensionalitätsreduktion können die Komplexität und das Rauschen in multidimensionalen Daten reduziert werden.

Privatsphäre und Fairness: Um Datenschutz und Vertraulichkeit von Daten zu gewährleisten sollen im Projekt Konzepte der sog. differentiellen Privatsphäre untersucht werden.

curAIvasc verfolgt das Ziel, innovative Technologien und Pipelines für die Analyse von multi-dimensionalen Biodaten zu Gefäßfunktion und -struktur zu entwickeln und sie in die patientenorientierte Forschung zu übertragen.

Hierzu werden das Deutsche Forschungszentrum für Künstliche Intelligenz und die Universitätsmedizin Mainz die vaskulären Bildgebungsdaten der Gutenberg-Gesundheitsstudie und Krankheitsspezifischer Kohorten analysieren. Standardisierte Vorverarbeitungsschritte, Harmonisierungsprozesse und Qualitätskontrollen schaffen die Grundlage für eine KI basierte kohortenübergreifende Exploration der Daten, aus der eine moderne Deep Learning-basierte multi-dimensionale Pipeline zur bildbasierten Vorhersage des individuellen Krankheitsverlaufs und zur personalisierten Risikobewertung entwickelt wird.

Die Identifizierung der einflussreichsten Variablen soll dazu beitragen, neue biologisch begründete Einflussfaktoren zur Risikobewertung in die medizinische Forschung zu überführen und ein besseres Verständnis für die molekularen Prozesse der Atherothrombose zu schaffen.

Die Echokardiographie ist ein klinisch etabliertes Verfahren zur Bestimmung von Struktur- und Funktionsparametern des Herzens zur Klassifikation und Risikoabschätzung kardiovaskulärer Erkrankungen. Dies ist ein aufwändiger Prozess, der in der Klinik bisher auf der visuellen Auswertung aufgezeichneter Videoloops durch das klinische Personal basiert. Auch unterstützende elektronische Bildverfolgungstechniken beruhen noch immer auf der Auswahl definierter Bildbereiche durch medizinisches Personal und hängen stark von Expertise und Erfahrung ab.

In curAIheart werden innovative Methoden des maschinellen Lernens genutzt, um tiefgreifende Analysen von echokardiographischen Aufnahmen und digital aufgezeichneten Bildinformationen zu automatisieren. In die Analyse der Aufnahmen sollen die Bildschleifen selbst und auch molekularbiologische Daten eingehen, die eine tiefergehende Analyse erlauben werden. Die entwickelte Pipeline wird die Risikobewertungen und die Früherkennung kardiovaskulärer Erkrankungen verbessern und die Verknüpfung mit weiteren diagnostischen Daten ermöglichen.

curAIsig entwickelt innovative Technologien in der systemorientierten biomedizinischen Forschung. In der heutigen klinischen Praxis werden Analyseverfahren angewandt, die insbesondere bei Datenausreißern und kleinem Stichprobenumfang im Verhältnis zur Dimensionalität zu falschen Ergebnisinterpretationen führen können. Wir werden daher eine robuste Signalverarbeitung und statistische Lernmethoden zur Entdeckung neuartiger und reproduzierbarer Biomarkersignaturen entwickeln und anwenden.

Der erste Beitrag von curAIsig befasst sich mit autonomen Dysfunktionen, die zur Entstehung von atherosklerotischen Erkrankungen und deren Folgen führen. Hierbei werden neue Verfahren entwickelt, um klinisch robuste Biomarker anhand von Messungen der Herzfrequenzvariabilität zu extrahieren. Ferner werden neuartige Lernverfahren erforscht, um aus hochdimensionalen Multi-Omics- und Ergebnisdaten klinisch interpretierbare Modelle zu entwickeln. Diese werden wir auf Biodatenbanken der Universitätsmedizin Mainz anwenden im Kontext der Pathophysiologie der Atherothrombose bewerten.

curAIknow beschäftigt sich mit der Entwicklung von wissensbasierten Machine-Learning-Verfahren auf der Grundlage eines sehr großen biomedizinischen Wissensgraphen zur Nutzung innerhalb des curATime Clusters. Ein bestehender Wissensgraph, Ontosight, der nahezu das gesamte relevante öffentliche Wissen der Biowissenschaften abdeckt, soll mit umfangreichen Daten von gesunden Personen und Patienten kombiniert und integriert analysiert werden. Es werden zwei Richtungen verfolgt: Einerseits die Nutzung des Wissens a priori in Verfahren des maschinellen Lernens. Andererseits die Nutzung des Wissens a posteriori, um rein datengetrieben gelernte Machine-Learning-Modelle im nachhinein im Lichte vorhandenen Wissens zu überprüfen. Teil dieser Aufgabe ist die Entwicklung eines sogenannten Discovery Agents, der Verbindungen zwischen zwei Entitäten im Wissengraph neu entdeckt bzw. bewertet.