Künstliche Intelligenz
ProjektZiele
Die NAKO Gesundheitsstudie bietet eine umfangreiche Datenbank mit bildgebenden und nicht-bildgebenden Informationen, die für die Forschung im Bereich der Künstlichen Intelligenz (KI) genutzt werden kann.
Die Expertengruppe arbeitet daran, verschiedene Bereiche und Anwendungen zu vernetzten. Ziel ist es, Vorschläge für ein langfristiges, nachhaltiges Konzept – unter Berücksichtigung aller ethischen und datenschutzrelevanten Vorgaben – für den Datenaustausch und -zugang zu erarbeiten.
Die Expertengruppe unterstützt darüber hinaus KI-basierte Projekte wie die automatisierte Analyse von Determinanten der Aortenmorphologie.
Erste Ergebnisse
Automatisierte Auswertung von MRT-Daten: Die Forschenden haben ein Deep-Learning-Modell mit Bildgebungsdaten aus dem Ganzkörper-MRT von Teilnehmenden der UK Biobank und der NAKO Gesundheitsstudie trainiert, um Bauchorgane wie Leber, Milz, Niere oder Bauchspeicheldrüse automatisiert, und verlässlich beurteilen zu können. Die erzielten Ergebnisse können als Grundlage für eine automatisierte Analyse tausender Datensätze von MRT-Bildern verwendet werden.
Beurteilung der Fettgewebe im Ganzkörper-MRT: Mit dem Ziel einer vollautomatischen Bewertung von viszeralen und subkutanen Fettgewebe im Ganzkörper-MRT, haben Wissenschaftlerinnen und Wissenschaftler ein Deep-Learning-Modell trainiert.
Publikationen
Fay L, Hepp T, Winkelmann M T et al. Determinants of ascending aortic morphology: Cross-sectional deep learning-based analysis on 25,073 non-contrast-enhanced MRI of NAKO Preprint /medRxiv 2024.07.12.24310356; doi: https://doi.org/10.1101/2024.07.12.24310356
Fay L, Cobos E, Yang B, Gatidis S, Küstner T. Avoiding Shortcut-Learning by Mutual Information Minimization in Deep Learning-Based Image Processing. IEEE Access. 2023;11:64070-4086. http://doi.org/10.1109/ACCESS.2023.3289397
Kart T, Fischer M, Küstner T, et al. Deep Learning‐Based Automated Abdominal Organ Segmentation in the UK Biobank and German National Cohort Magnetic Resonance Imaging Studies. Invest Radiol. 2021;56(6):401-408. http://doi.org/10.1097/RLI.0000000000000755
Küstner T, Hepp T, Fischer M, et al. Fully Automated and Standardized Segmentation of Adipose Tissue Compartments via Deep Learning in 3D Whole-Body MRI of Epidemiologic Cohort Studies. Radiology: Artificial Intelligence. 2020;2(6):e200010. http://doi.org/10.1148/ryai.2020200010
Sprecherinnen und Sprecher
Prof. Dr. Thomas Küstner
Prof. Dr. Christoph Lippert (Stellv. Sprecher)