Home | english  | Impressum | Datenschutz | Sitemap | KIT

Helmholtz Information & Data Science School for Health (HIDSS4Health)

Helmholtz Information & Data Science School for Health (HIDSS4Health)
Ansprechpartner:

Dr. Ines Reinartz
apl. Prof. Dr. Ralf Mikut

Links:
Projektgruppe:

Maschinelles Lernen für Zeitreihen und Bilder (ML4TIME)

Förderung:

HGF

Partner:

DKFZ, Universität Heidelberg

Starttermin:

2019

Endtermin:

2025

Ziel der Helmholtz Information & Data Science School for Health (HIDSS4Health) ist es, die besten Nachwuchskräfte an der Schnittstelle zwischen Datenwissenschaft und gesundheitsbezogenen Anwendungen zu gewinnen, zu fördern und auszubilden. HIDSS4Health bietet ein strukturiertes Doktorandenausbildungsprogramm, das in ein hochgradig interdisziplinäres Forschungsumfeld eingebettet ist und Experten aus den Daten- und Lebenswissenschaften zusammenführt. Das wissenschaftliche Curriculum wird durch Trainingsmaßnahmen ergänzt, die den promovierten Forschern die Schlüsselqualifikationen vermitteln, die von zukünftigen Führungskräften in Wissenschaft und Industrie erwartet werden.

Im Bereich „Imaging & Diagnostics“ verwenden wir maschinelles oder tiefes Lernen, um immer größere und komplexere Datensätze zu nutzen, die durch die aktuellen Hochdurchsatztechnologien in der Medizin, Biologie und gesundheitsbezogenen Biotechnologie erzeugt werden. Wir müssen uns mit verschiedenen Herausforderungen auseinandersetzen, darunter Echtzeitbedingungen, die Quantifizierung von Ungewissheit und Mehrdeutigkeit bei Bildgebungs- und „Omics“-Daten sowie die Entwicklung von erklärbaren Entscheidungsfindungen.

Im Bereich „Surgery & Intervention 4.0“ konzentrieren wir uns auf die Rolle der Datenwissenschaft in der roboter- und computergestützten Chirurgie und bei Eingriffen. Dies beinhaltet die Entwicklung und Anwendung von Computermethoden zur Planung und Automatisierung von Untersuchungen, Operationen und Eingriffen unterschiedlicher Art sowie für intelligente Assistenzsysteme, die mit den Ärzten zusammenarbeiten, sie leiten und ihren Lernprozess unterstützen.

Im Bereich „Models for Personalized Medicine“ planen wir die Integration von datengetriebener Modellierung, Simulation und visueller Exploration mit First Principles Modeling. Dazu gehören Modelle für Echtzeitanwendungen oder Patientenmodelle für die interaktive Visualisierung. Zu den zu berücksichtigenden Daten gehören Textdaten (wie z.B. Interventionsprotokolle, Aufnahmeprotokolle), Zeitreihendaten, aus Bildern oder „Omics“-Daten extrahierte Merkmale sowie traditionellere numerische Daten (z.B. Laborergebnisse).