CoCoAI: Kooperative und kommunizierende KI-Methoden für die medizinische bildgeführte Diagnostik (BMBF)

Künstliche Intelligenz (KI), die aus medizinischem Expertenwissen lernen kann, wird im Gesundheitssystem eine wichtige Rolle spielen und grundlegende Verbesserungen in Bezug auf die Genauigkeit und Effizienz der bildgestützten medizinischen Diagnostik und Behandlung ermöglichen.
Ziel von CoCoAI ist die empirisch fundierte Entwicklung von Informations- und Kommunikationstechnologien, welche die Zusammenarbeit zwischen KI und Menschen bestmöglich unterstützen. Zukünftigen Anwendungen der KI im Gesundheitswesen werden nicht nur die diagnostische Qualität verbessern, sondern auch viele ethische, rechtliche, soziale und wirtschaftliche Aspekte der modernen Medizin beeinflussen. Wir arbeiten auf eine Bewältigung der ethischen und gesellschaftlichen Herausforderungen, die sich aus der Integration von KI in bestehende Handlungsstrukturen ergeben, hin und entwickeln Methoden, die das neue Rollenverständnis der drei Hauptakteure (Patient*innen, Ärzt*innen und KI-Ingenieur*innen) positiv unterstützen. Wir werden methodische Grundlagen für eine trilaterale Zusammenarbeit und Kommunikation durch erklärbare KI-Verfahren, moderne Mensch-Computer- Schnittstellen sowie ethische Studien und Workshops zur Definition von verantwortungsvoller Forschung und Innovation mit KI schaffen.  In der Arbeitsgruppe von Prof. Heinrich sollen hierbei insbesondere neue Strategien zur effizienten und nutzerfreundlichen Visualisierung von Deep Learning Ergebnissen am Fallbeispiel bildgestützte Ultraschalldiagnostik entwickelt und umgesetzt werden, z.B. durch die Einschränkung auf einfache geometrische Formen und virtuelle 3D Ansichten.
Darüberhinaus werden wir im Laufe des Projektes Richtlinien für das Design zukünftiger KI- und bildbasierter Diagnosesysteme aus den interdisziplinären Perspektiven des maschinellen Lernens, der medizinischen Bildanalyse, der nutzerzentrierten Gestaltung von Mensch-KI-Schnittstellen, der Visualisierung und der Technikethik erarbeiten, welche die Akzeptanz KI-gestützter Diagnosen fördern, die Potentiale nutzbar machen und Risiken vermindern. Wir planen gemeinsam mit dem KMU ThinkSono eine Fallstudie zur praktischen Umsetzung eines ultraschallbasierten Diagnosesystems zur Erkennung tiefer Venenthrombose, die häufigste Ursache für vermeidbare Todesfälle in Krankenhäusern.

BMBF Projekt Förderung (2020-2024) 874’615€  UzL (ca 368'850€ IMI)

Ausgewählte Publikationen

  1. Hansen L., Heinrich M.P.
    Sparse Structured Prediction for Semantic Edge Detection in Medical Images.
    In: International Conference on Medical Imaging with Deep Learning. 2019. Proceedings of Machine Learning Research Vol. 102 S. 250-259.
  2. Tanno R., Makropoulos A., Arslan S., Oktay O., Mischkewitz S., Al-Noor F., ... & Heinrich M.P.
    AutoDVT: Joint real-time classification for vein compressibility analysis in deep vein thrombosis ultrasound diagnostics.
    In: International Conference on Medical Image Computing and Computer-Assisted Intervention 2018 (pp. 905-912). Springer, Cham.