Das AI Center for Health Care-Projekt NAKO-MNA zielt auf die KI-basierte Entwicklung eines multimodalen impliziten Datenmodells auf Basis kombinierter Bilddaten und komplexer tabellarischer Daten der NAKO-Gesundheitsstudie. Ein Anwendungsziel liegt in der verbesserten Fähigkeit, Normabweichungen und bislang unentdeckte Zufallsbefunde sensitiv zu detektieren.
Aktivierung erforderlich
Mit einem Klick auf dieses Vorschaubild willigen Sie ein, dass Inhalte von Youtube nachgeladen werden. Hierdurch erhält Google (USA) die Information, dass Sie unsere Seite aufgerufen haben sowie die in diesem Rahmen technisch erforderlichen Daten. Wir haben auf die weitere Datenverarbeitung durch Google keinen Einfluss. Bitte beachten Sie, dass in Bezug auf Youtube und Google kein angemessenes Datenschutzniveau vorliegt.
Weitere Informationen / Datenschutz
NAKO-MNA ist ein gemeinsames Projekt von Leibniz BIPS, Fraunhofer MEVIS und der Universität Bremen. Es zielt auf die KI-basierte Entwicklung eines multimodalen impliziten Datenmodells auf Basis kombinierter Bilddaten und komplexer tabellarischer Daten der NAKO Gesundheitsstudie. Ziel ist es, diese kombinierten Daten realistisch zu synthetisieren, einschließlich Normvarianten und Zufallsbefunden. Dadurch sollen Subpopulationen, Normvarianten und die Korrelationen zwischen Zufallsbefunden und epidemiologischen Parametern besser verstanden werden.
Zur Verwirklichung dieses Ziels werden am MEVIS KI-Verfahren für medizinische Bildgebung und am BIPS Verfahren für epidemiologische Daten kombiniert. Aus diesen Daten wird ein Modell einer "gesunden" Population erstellt. Mit den Zufallsbefunden aus der NAKO Imaging Study können zudem wichtige frühe Erkrankungsmuster modelliert werden.
Das Projekt untersucht verschiedene Methoden zur Datensynthese, darunter generative adversarial networks (GANs), normalizing flow models (NFs) und variable autoencoder networks (VAEs). Diese Modelle werden genutzt, um synthetische Daten zu erzeugen, die datenschutzkonform und für weitere Forschungsprojekte nutzbar sind.
Für Patient:innen bedeutet dies eine verbesserte Fähigkeit, Normabweichungen und bisher unentdeckte Zufallsbefunde frühzeitig zu erkennen. Dies ermöglicht eine frühere Diagnose potenziell gefährlicher Erkrankungen, sodass Behandlungen in einem früheren und schonenderen Stadium der Krankheit möglich werden. Die Nutzung des synthetischen Datenmodells bietet unmittelbare Entscheidungshilfen und kann die Gesundheitsversorgung direkt beeinflussen.