Peer-to-Peer-Netzwerktreffen KI zum Thema „Small Data“

Ein inhaltlicher Schwerpunkt lag auf methodischen Fragen zur Modellinterpretierbarkeit, vorgestellt von Tom Splittgerber der Arbeitgruppe Applied Statistics des Instituts für Statistik an der Universität Bremen unter Leitung von Prof. Dr. Werner Brannath. Während Big-Data-Modelle meist hochkomplex und schwer verständlich sind, lassen sich Small-Data-Modelle häufig so gestalten, dass sie auch für Menschen nachvollziehbar bleiben. Splittgerber zeigte, wie sich Modelle entwickeln lassen, die ausdrucksstärker als klassische lineare Modelle (GLMs) und gleichzeitig verständlicher als neuronale Netze (NNs) sind.

Im zweiten Beitrag stellte Prof. Dr. Klaus Eickel neue Projektvorhaben am Fraunhofer-Institut für Digitale Medizin MEVIS im MRT-Kontext vor. Im Fokus stand ein innovativer Ansatz zur Zerlegung von MRT-Rohdaten in scan-spezifische und -unspezifische Repräsentationen, um eine bessere Datenharmonisierung zu ermöglichen – ein praxisnahes Beispiel für den Einsatz von Small-Data-Strategien in der medizinischen Bildgebung.

Zum Abschluss reflektierten die Teilnehmenden die bisherigen Aktivitäten im Rahmen der Arbeitsgruppe „Small Data“  und planten die nächsten Schritte. Dazu gehören unter anderem ein Scoping Workshop zur thematischen Fokussierung sowie die Konzeption koordinierter, geförderter Forschungsprogramme.