Image Data Exploration and Analysis (IDEA)
Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU)

Professor Kainz widmet sich der Entwicklung intelligenter Algorithmen im Gesundheitswesen, mit einem Schwerpunkt auf der medizinischen Bildgebung. Er und sein Team leisten Pionierarbeit auf dem Gebiet der selbstgesteuerten medizinischen Bilderfassung zur Unterstützung des menschlichen Bedienpersonals bei der Echtzeitdiagnose. Sie erforschen, wie maschinelles Lernen das seltene Fachwissen im Gesundheitswesen demokratisieren kann, indem es Echtzeit-Anleitung und Second-Reader-Expertise bietet.

Die Arbeit des Teams am normativen Lernen aus großen Populationen, die Bildgebung, Patientenakten und Omics-Daten integriert, zielt darauf ab, die menschliche Entscheidungsfindung bei der Datenanalyse nachzuahmen. Dies hat erhebliche Auswirkungen auf das Verständnis „normaler“ Zustände im Gegensatz zu traditionellen Methoden des maschinellen Lernens. Ihre Forschung befasst sich auch damit, maschinelle Entscheidungen interpretierbar zu machen, um das „Recht auf Erklärung“ im Gesundheitswesen zu unterstützen, was sowohl den medizinischen Fachleuten als auch der breiten Öffentlichkeit zugute kommt.

Einzelheiten über die Forschungsgruppe von Professor Kainz und ihre Projekte finden Sie auf ihrer offiziellen Website: www.idea.tf.fau.eu. Sein Labor, das Image Data Exploration and Analysis Lab (IDEA), ist führend in der Entwicklung innovativer Bildverarbeitungsmethoden zur Verbesserung der menschlichen Entscheidungsfähigkeit.

Die Hightech Agenda unterstützt die Forschung von Professor Kainz, indem sie Fortschritte in der multimodalen medizinischen Bildgebung ermöglicht. Diese Unterstützung ist zwar strukturiert, hat aber die Entwicklung patientenspezifischer computergestützter Hilfsmittel für die Krankheitsprävention und die Verbesserung des Gesundheitswesens ermöglicht, was ein Beweis für die Widerstandsfähigkeit und den Innovationsgeist des IDEA labs ist. Professor Kainz schätzt die Hightech Agenda für ihre Rolle bei der Förderung der Entwicklung neuartiger selbstüberwachter maschineller Lernverfahren. Diese Techniken lernen ohne manuelle Annotierung gesunder Patientendaten, definieren beispielsweise neu, was in hochdimensionalen Daten „normal“ ist, und verbessern Diagnosemethoden in verschiedenen Phasen der Patientenversorgung.

(Foto: FAU/Georg Pöhlein)