Deutsch 
English 
T5.6 Use Case “Radiomics / Imaging AI”
Hintergrund
Der Use Case “Radiomics / Imaging AI” wird vom Fraunhofer MEVIS geleitet. Als weitere Partner sind das BIPS, das Fraunhofer FIT, die Universität Köln und die Universität Leipzig beteiligt.
Die biomedizinische Bildgebung hat sich zu einem wichtigen Bereich der Datenerfassung in epidemiologischen und klinischen Studien entwickelt, da sie sowohl lokale als auch systemische Veränderungen erkennen kann, eine hohe Informationsdichte aufweist und breit verfügbar ist. Radiomics ist eine Methode, die mithilfe von Algorithmen zur Mustererkennung und zum maschinellen Lernen große Mengen quantitativer Merkmale aus medizinischen Bildern extrahiert.
Moderne maschinelle Lernverfahren, speziell Deep Learning, kombiniert mit der konventionellen Datenanalyse multidisziplinären Gesundheitsdaten, versprechen, die medizinische Bildgebung durch die Integration klinischer, struktureller und bildbasierter Merkmale dem Verständnis komplexer Krankheiten auf quantitative Weise näher zu bringen.
Radiomics deckt Zusammenhänge zwischen Bildern und klinischen Daten auf. Copyright: Fraunhofer MEVIS
Ziele
In Zusammenarbeit mit TA3 „Services“ werden in diesem Use Case Infrastrukturkomponenten für NFDI4Health als prototypisches KI-Analyse-Testbett entlang des Radiomics-Paradigmas implementiert, mit dem letztendlichen Ziel, KI in die Standardisierung und Validierung für eine breitere Nutzung zu überführen. Soweit möglich wird der DICOM-Standard verwendet, um Bilddaten und zugehörige Metadaten gemäß TA2 „Standards for FAIR Data“ zu harmonisieren.
Insbesondere wird im Rahmen von NFDI4Health ein Proof-of-Concept für die automatisierte KI-gestützte Qualitätssicherung von DICOM-Bilddaten implementiert und in Sub-Kohorten heterogener MR-Volumenbilddaten evaluiert. Darüber hinaus wird ein Demonstrator erstellt, der eine prädiktive Mustererkennung in kombinierten bildgebenden und strukturierten epidemiologischen Daten ermöglicht.
Langfristiges Ziel ist im Rahmen der NFDI4Health, eine KI-basierte Pilot-Radiomics-Plattform für die automatisierte Qualitätssicherung und Analyse biomedizinischer (Bild-)Daten als Service für die Community bereitzustellen. Dabei erlaubt der Einsatz von KI eine einfache Anpassbarkeit auf neue Anwendungskontexte sowie eine kontinuierliche Optimierung insbesondere durch föderiertes Lernen.
Publikationen
Pigeot I, Fröhlich H, Intemann T, Prause G, Wright MN. KI und die Nationale Forschungsdateninfrastruktur für personenbezogene Gesundheitsdaten (NFDI4Health). In: Dössel OS, Tobias; Rutert, Britta, editor. Künstliche Intelligenz in der Medizin. Denkanstöße aus der Akademie: Eine Schriftenreihe der Berlin-Brandenburgischen Akademie der Wissenschaften, Nr. 11. Berlin: Berlin-Brandenburgische Akademie der Wissenschaften; 2023. p. 62-74. https://edoc.bbaw.de/frontdoor/index/index/docId/3807
Mou Y, Li F, Weber S, Haneef, Meine H, Caldeira L, Jaberansary M, Welten S, Ucer YY, Prause G, Decker S, Beyan O, Kirsten T. Distributed Privacy-Preserving Data Analysis in NFDI4Health with the Personal Health Train. 1st Conference on Research Data Infrastructure (CoRDI), 12-14 September 2023, Karlsruhe. https://doi.org/10.52825/CoRDI.v1i.282
Schuppert C, Rospleszcz S, Hirsch JG, Hoinkiss DC, Köhn A , von Krüchten R, Russe MF, Keil T , Krist L, Schmidt B, Michels KB, Sabine Schipf, Brenner H, Kröncke TJ, Pischon T, Niendorf T, Schulz‑Menger J, Forsting M, Völzke H, Hosten N, Bülow R, Zaitsev M, Kauczor HU, Bamberg F, Günther M, Schlett CL. Automated image quality assessment for selecting among multiple magnetic resonance image acquisitions in the German National Cohort study. Scientific Reports 13, 22745. 2023. https://doi.org/10.1038/s41598-023-49569-1
Ansprechpartner:innen
