Über das Projekt
Hintergund
Methoden der künstlichen Intelligenz (KI) und speziell maschinelle Lernverfahren spielen in der Medizin eine zunehmend wichtige Rolle, da sie das Potential haben, die zunehmende Menge an verfügbaren Daten für effizientere Diagnose- und Therapieverfahren zu verwerten. Anders als in anderen Anwendungen spielt aber nicht nur die "inhaltliche Leistungsfähigkeit", sondern die Interpretierbarkeit, Individualisierung und Zulassungsfragen eine entscheidende Rolle im Hinblick auf einen medizinischen Einsatz.
Eigene Schwerpunkte
Wir befassen uns in verschiedenen Projekten mit dem Einsatz und der Weiterentwicklung von Methoden der künstlichen Intelligenz, um die medizinische Versorgung zu verbessern. Besonderes Augenmerk liegt auf den oben genannten Aspekten Interpretierbarkeit, Individualisierung und Zulassungsfragen. Die eigenen Arbeiten decken Merkmalsextraktion, -selektion und Klassifikation/Clustering ab. Konkrete Beispiele sind
- die automatisierte Bewertung von Schlafphasen,
- Therapieempfehlungssysteme,
- die Früherkennung/Voraussage von medizinischen Notfällen und
- die EKG Verarbeitung.
Literatur
(Exemplarische Auswahl eigener Arbeiten zum Thema)
- F. Gräßer, S. Beckert, D. Küster, J. Schmitt, S. Abraham, H. Malberg, and S. Zaunseder, “Therapy Decision Support Based on Recommender System Methods.,” J. Healthc. Eng., vol. 2017, p. 8659460, 2017. (Öffnet in einem neuen Tab)
- T. Mar, S. Zaunseder, J. P. Martínez, M. Llamedo, and R. Poll, “Optimization of ECG classification by means of feature selection.,” IEEE Trans. Biomed. Eng., vol. 58, no. 8, pp. 2168–2177, Aug. 2011. (Öffnet in einem neuen Tab)
- S. Zaunseder, R. Huhle, and H. Malberg, “CinC Challenge - Assessing the Usability of ECG by Ensemble Decision Trees,” in Proceedings of Computing in Cardiology, Volume 38, 2011. (Öffnet in einem neuen Tab)