Motivation
Die fortschreitende wissenschaftliche Weiterentwicklung von Technologien auf Basis Künstlicher Intelligenz (KI) befördert medizinische Anwendungspotenziale. Einer reellen Nutzung dieser Technologien durch eine Vielzahl an Anwendern wie Bürgerinnen und Bürger, Behörden, Mitarbeitenden des Gesundheitswesens und kleinen sowie mittelständischen Unternehmen steht die Schwierigkeit des datensicheren und datengeschützten Umgangs gegenüber. Gerade bei der automatisierten Verarbeitung von medizinischen Daten können oftmals innovative Technologien nicht eingesetzt werden, da aufgrund der sensiblen Inhalte, der Schutz der Identität zu Recht einen hohen Stellenwert einnimmt. Die Schutzwürdigkeit klinischer Daten und der dadurch erschwerte Zugang damit führt auch dazu, dass Maschinelle Lernverfahren (ML), beispielsweise für klinische Diagnosen, Prognosen sowie Therapie- oder Entscheidungsunterstützung nicht ohne größere Hürden entwickelt werden können.

Ziele und Vorgehen
Das Projekt "KI-basierte Anonymisierung personenbezogener Patientendaten in klinischen Text- und Sprachdatenbeständen" (Medinym) untersucht die Möglichkeit der Weiterverwertung sensibler Daten durch das Entfernen der empfindlichen Informationen mittels Anonymisierung. Im Projekt werden zwei medizinische Anwendungsfälle, textbasierte Daten aus der elektronischen Patientenakte sowie Sprachdaten aus diagnostischen Ärztin-Patient-Gesprächen, exemplarisch umgesetzt. Dazu werden im Projekt offene Technologien zur Anonymisierung untersucht, weiterentwickelt und auf reale Daten angewandt. Außerdem untersuchen die Forschenden, wie die Aussagekraft solch anonymisierter Daten für die weitere Nutzung erhalten werden kann. Zusätzlich sollen Methoden betrachtet werden, die einen Missbrauch der Technologie außerhalb des beabsichtigten Anwendungsfalls verhindern oder erschweren.

Innovationen und Perspektiven
Durch die informationserhaltende Anonymisierung soll es möglich werden, klinische Daten weiterzuverarbeiten, da eine De-Anonymisierung nicht mehr möglich ist. Diese Datensätze können dann dazu dienen, KI-Modelle auf klinischen Daten datenschutzkonform zu trainieren oder auf andere Kohorten ausgedehnt werden. Damit wäre eine kumulative Sammlung entsprechender Datenmengen auch für kleine und mittelständische Unternehmen möglich. Denn so könnten sensible Daten über mehrere Anwendungszwecke hinweg zusammengefasst und für KI-Trainingsroutinen verwendet werden; eine entsprechende Anonymisierung stets vorausgesetzt. Die angestrebte Anonymisierung soll zudem die Bereitschaft von Patientinnen und Patienten steigern, in die Teilnahme an Studien, Datenanalysen sowie allgemeinen Spenden von Gesundheitsdaten einzuwilligen. Schlussendlich erlaubt die Informationserhaltene Anonymisierung die Integration der Technologie in gängige Entwicklungsmethoden und Diagnostiksysteme und stärkt damit den Wissenschafts- und Wirtschaftsstandort Deutschland in den Bereichen Diagnostik, Behandlung und damit allgemein der Gesundheitsversorgung.

Projekt im Forschungsportal ansehen

AI Engineering (AiEng) umfasst die systematische Konzeption, Entwicklung, Integration und den Betrieb von auf Künstlicher Intelligenz (KI) basierenden Lösungen nach Vorbild ingenieurwissenschaftlicher Methoden. Gleichzeitig schlägt AiEng eine Brücke zwischen der Grundlagenforschung zu KI-Methoden und den Ingenieurwissenschaften und macht dort den Einsatz von KI systematisch zugänglich und verfügbar. Das Projektvorhaben konzentriert sich auf die landesweite Entwicklung eines Bachelorstudiengangs «AI Engineering», welcher die Ausbildung von Methoden, Modellen und Technologien der KI mit denen der Ingenieurwissenschaften vereint. AiEng soll als Kooperationsstudiengang der Otto-von-Guericke-Universität (OVGU) Magdeburg mit den vier sachsen-anhaltischen Hochschulen HS Anhalt, HS Harz, HS Magdeburg-Stendal und HS Merseburg gestaltet werden. Der fächerübergreifende Studiengang wird Studierende befähigen, KI-Systeme und -Services im industriellen Umfeld und darüber hinaus zu entwickeln und den damit einhergehenden Engineering-Prozess - von der Problemanalyse bis zur Inbetriebnahme und Wartung / Instandhaltung - ganzheitlich zu begleiten. Das AiEng-Curriculum vermittelt eine umfassende KI-Ausbildung, ergänzt durch eine grundlegende Ingenieurausbildung und eine vertiefende Ausbildung in einer gewählten Anwendungsdomäne. Um eine Symbiose von KI- und ingenieurwissenschaftlicher Lehre zu erreichen, wird ein neuer handlungsorientierter Rahmen entwickelt und gelehrt, welcher den vollständigen Engineering-Prozess von KI-Lösungen beschreibt und alle Phasen methodisch unterstützt. AIEng zeichnet sich durch eine modulübergreifende Verzahnung von Lehr- und Lerninhalten innerhalb eines Semesters sowie durch ein fakultäts- und hochschulübergreifendes Tandem-Lehrkonzept aus und verfolgt ein studierendenzentriertes Didaktikkonzept, welches durch viele praxisorientierte (Team-)Projekte und ein großes Angebot an Open Educational Resources (OERs) mit (E)-Tutorenprogramm getragen wird.

Projekt im Forschungsportal ansehen

Anwendungsnah und dezentral:
AI Engineering setzt auf eine hochschulübergreifende Zusammenarbeit. An allen Hochschulstandorten sollen Lehrinhalte angeboten werden.

Kooperation leben:
AI Engineering wird von Anfang an hochschulübergreifend entwickelt. Alle Projektaktivitäten werden von jeder Hochschule getragen und unterstützt. Die Hochschulen bringen dabei ihre spezielle Expertise und Schwerpunkte ein.

Unternehmen konsequent einbeziehen:
AI Engineering ist ein anwendungsnaher Studiengang. Um die Bedarfe der Unternehmen an einen solchen Studiengang zu erfassen, werden frühzeitig Umfragen durchgeführt, die in die Studiengangsentwicklung einfließen.

Studiengang startet 2023: Nach derzeitiger Planung wird mit einem Studienstart im Wintersemester 2023 gerechnet.

Projekt im Forschungsportal ansehen

Der urbane Raum ist in besonderem Maße von Veränderungen in der Mobilität betroffen. Neue Mobilitätsangebote sowie verändertes privates und berufliches Mobilitätsverhalten führen zu neuen Herausforderungen bei der Bewältigung des stetig steigenden Verkehrsaufkommens. Laut aktueller Studie des europäischen Rechnungshofes ist der Straßenverkehr eine der Hauptursachen von Luftverschmutzung und Treibhausgasemissionen in städtischen Gebieten, wobei europaweit gesellschaftliche Kosten von rund 270 Milliarden Euro pro Jahr entstehen. Ein grundsätzlicher Lösungsansatz, das erhöhte Verkehrsaufkommen zu bewältigen, besteht in der Digitalisierung der Verkehrsinfrastruktur. Die erhobenen Daten der Verkehrsteilnehmer können folgend zur Analyse des Verkehrsflusses verwendet werden. Dadurch wird eine Verkehrsverflüssigung an Knotenpunkten erreichbar, was wiederum eine Reduzierung der CO₂-Emissionen bedeutet.
Ziel des Verbundvorhabens "PASCAL" ist es, KI-Verfahren für die proaktive Steuerung von Ampelanlagen zur urbanen Verkehrsoptimierung zu entwickeln und im urbanen V2X-Testfeld Magdeburg zur erproben. Das Testfeld wurde in Vorarbeit von Thorsis Technologies in Kooperation mit der Stadt Magdeburg aufgebaut und dient der Erfassung und Analyse von Verkehrsdaten in Echtzeit.
Um das gesteckte Ziel zu erreichen, setzt das Projektteam auf die Erforschung und Anwendung neuer KI-basierter Verfahren (Überwachtes Lernen, Bestärkendes Lernen, Graph-basiertes Lernen) für die Optimierung der Ampelschaltzyklen für den Verkehrsfluss. Das bestehende Testfeld stellt die Datenbasis für die Entwicklung des proaktiven Smart Controllers für Ampelanlagen dar. Neben den Verkehrsdaten des Testfelds sollen auch Verkehrsinformationen (z.B. Baustellen, Events, Stau oder Wetter) und Simulationsdaten (Verkehr, Kommunikation und Emission) verwendet werden. Die Simulationsdaten dienen einerseits der Verdichtung der Verkehrsdaten für das Training der KI-Modelle und andererseits der Bewertung von ermittelten Ampelschaltzyklen. Die Realisierung der Entwicklung erfolgt in einem Kooperationsprojekt in Zusammenarbeit mit der Otto-von-Guericke-Universität Magdeburg als Forschungseinrichtung, welche sich mit zwei Fachbereichen mit den Schwerpunkten Künstliche Intelligenz und einem digitalen Anwendungszentrum für Mobilität am Projekt beteiligt.
Das entwickelte System wird ins bestehende urbane V2X-Testfeld in Magdeburg integriert und umfassend erprobt. Die Evaluierung des Systems erfolgt zunächst anhand von Simulationsdaten. In späteren Projektphasen sollen Ampeln in Abstimmung mit Operatoren eines Verkehrsleitstandes entsprechend der Vorgabe der KI geschaltet werden. Der im Projekt entwickelte Prototyp soll Grundlage für einen flächendeckenden Einsatz für die urbane Verkehrsflussoptimierung sein und somit einen deutlichen Nutzen und Mehrwert für den Standort Deutschland entfalten (Reduktion von Treibhausgasemissionen, Erhöhung der Technologiekompetenz).

Projekt im Forschungsportal ansehen

Das Projekt AnonymPrevent untersucht sowohl Einsatz als auch Verbesserung von innovativen KI-basierten Anonymisierungstechniken im Anwendungsfall der Erstberatung und präventiven Fernbehandlung von Menschen, die sich sexuell zu Kindern hingezogen fühlen. Ziel ist eine akustische Anonymisierung, die zwar die Identität eines Patienten (gegeben durch Stimme und Sprechweise) anonymisiert, gleichzeitig aber den für eine klinisch-diagnostische Beurteilung relevanten Gehalt an Emotionen und Persönlichkeitsausdruck beibehält. Die Anonymisierung der Stimme für die telefonische Kontaktaufnahme, sowie für weiterführende ggf. durch Videotelefonie ergänzte Therapien werden durch Variational Autoencoder mit Differential Digital Signal Processing bzw.
Avatar-basierter Kommunikation umgesetzt. Die Berliner Charité tritt als Praxis- und Forschungspartner auf, deren sexualwissenschaftliches Institut seit 2005 national und international wachsende Projekte für therapiemotivierte Menschen mit pädophilen oder hebephilen Neigung leitet. Die Annahme eines präventiven Therapieangebotes ist mit Scham und Angst vor sozialer Ausgrenzung verbunden. Entscheidend für die Inanspruchnahme ist die Vertrauenswürdigkeit des Angebots, und damit die Möglichkeit, verursacherbezogen sexuellen Kindesmissbrauch zu verhindern, was von hoher individueller und gesellschaftlicher Relevanz ist. Letztlich untersucht das Projekt die Frage, ob und in wie fern eine Anonymisierung der verbalen und visuellen Kommunikationskanäle zu einer Steigerung der Akzeptanz präventiver Behandlungsangebote führen kann sowie gleichzeitig die Kommunikation
innerhalb der Therapie nicht ungünstig beeinflusst, womöglich sogar den offenen Austausch fördert.

Projekt im Forschungsportal ansehen

Eine persönliche und individualisierte Betreuung von Schülerinnen und Schülern führt zu deutlich besseren Lernerfolgen als ein frontal geführter, "klassischer" Unterricht. Da es aktuell nicht möglich ist, die hierfür notwendige große Anzahl von Lehrpersonen bereitzustellen, kann das digitale Lernen eine unterstützende Rolle spielen. Das Ziel ist, nicht nur digitale Lernmaterialien zur Verfügung zu stellen, sondern individuell auf die Bedürfnisse der Lernenden einzugehen.
Das Verbundprojekt AKILAS entwickelt Technologien für einen Lernassistenten, der mittels künstlicher Intelligenz passgenau Lernaufgaben auswählen, Antworten auswerten und Feedback geben kann. Dabei wirken Lehrende und Technik zusammen: die künstliche Intelligenz unterstützt Lehrkräfte bei der Gestaltung des Lernprozesses. Das Assistenzsystem wertet freie Schülerantworten mittels innovativer Sprachtechnologie automatisch aus und gibt ein Feedback darauf. Die Entwicklung des Lernassistenten wird kontinuierlich durch eine pädagogische Begleitforschung unterstützt, die das Zusammenspiel zwischen Mensch und Technik evaluiert und zudem sicherstellt, dass hohe Datenschutzstandards bereits in der Forschungs- und Entwicklungsphase Grundlage der Konzeption sind.

Projekt im Forschungsportal ansehen

Durch die technologischen Fortschritte im Bereich der Künstlichen Intelligenz (KI), halten auch interaktive und intelligente Sprachassistenten mehr und mehr Einzug in den gesellschaftlichen Alltag. Aus datenschutzrechtlichen Gründen ist deren Einsatz jedoch meist auf Anwendungen im privaten Bereich beschränkt. Insbesondere die Möglichkeit Sprechende auf Basis einer Vielzahl an erhobenen Daten zu identifizieren, verhindert einen effektiven Einsatz von Sprachassistenten in datenschutzrechtlich sensiblen Bereichen wie beispielsweise dem Gesundheitssektor oder der Lernunterstützung. Für viele Anwendungen ist die Identität der Sprechenden jedoch nicht zwangsläufig relevant, sondern es ist lediglich erforderlich zu wissen, was genau gesagt wurde. Dabei enthält Sprache neben dem Inhalt des Gesagten auch weitere Indikatoren, wie beispielsweise die Emotionalität oder die Ausdrucksweise. Der Erhalt dieser sprachlichen Feinheiten nach einer Anonymisierung der Sprechenden ist für die Interpretation und ein umfassendes Verständnis des Gesagten in vielen Anwendungsbereichen jedoch sehr wichtig (z.B. um den Gesundheitszustand eines Patienten richtig einzuschätzen).

Projekt im Forschungsportal ansehen

Im Rahmen des Projekts CogXAI werden Methoden und Erkenntnisse aus den kognitiven Neurowissenschaften auf künstliche neuronale Netze (KNNs) übertragen. Es werden (1) post-poc- Erklärungsmethoden für bereits trainierte Netze basierend auf funktionalen und strukturellen Analysetechniken erforscht und (2) per Design (ante-hoc) transparente und interpretierbare Netzwerk- Architekturen aus neurowissenschaftlichen Erkenntnissen abgeleitet. Zusätzlich wird ein starker Praxisbezug durch die Einbindung von Anwendungspartnern aus den Bereichen autonomes Fahren (Motor AI) und Sprachassistenzsysteme (Fraunhofer IIS) hergestellt, für die in naher Zukunft eine hohe wirtschaftliche Relevanz in Deutschland erwartet werden kann.

Projekt im Forschungsportal ansehen

Das Forschungsprojekt SENECA verfolgt die Entwicklung eines selbstlernenden Entscheidungsunterstützungssystems für die echtzeitfähige Auftragsreihenfolge- und Maschinenbelegungsplanung. Die Forschungsfrage lautet, wie Methoden des maschinellen Lernens (ML) angewendet werden müssen, um in Echtzeit zulässige Lösungen mit ausreichender Güte für Auftragsreihenfolge- und Maschinenbelegungsprobleme zu berechnen. Es sollen verschiedene ML-Methoden hinsichtlich ihrer Anwendbarkeit für die Auftragsreihenfolge- und Maschinenbelegungsplanung untersucht werden. Aufgrund der hohen Dynamik moderner Produktionssysteme und der daraus resultierenden Planungsunsicherheit wird erwartet, dass insbesondere die Produktionsablaufplanung von ML-basierten, echtzeitfähigen und adaptiven Entscheidungsunterstützungssystemen profitiert. ML-Algorithmen werden zurzeit vornehmlich für Regressions- und Klassifikationsprobleme eingesetzt. Ihr unmittelbarer Einsatz zur Berechnung von Optimierungsproblemen ist bisher kaum beforscht und industrielle Anwendungen sind bisher nicht bekannt. Das technische Arbeitsziel ist die Entwicklung eines Soft- und Hardware-Prototypen, welcher Entscheider in der Produktionsplanung und -steuerung unterstützt. Die technischen Herausforderungen betreffen insbesondere Aspekte der produktions- und einsatzspezifischen Gestaltung. Zum einen ist eine hohe Benutzerfreundlichkeit wichtig. Dies impliziert unter anderem, dass der Mensch stets die letzte Entscheidungsinstanz darstellt. Das System soll fähig sein, sich mit menschlicher Expertise kontinuierlich selbst zu verbessern. Zum anderen muss das Assistenzsystem derart gestaltet sein, dass die Echtzeitfähigkeit der Lösungsverfahren ausgeschöpft wird. Vorgeschlagene Auftragsreihenfolgen und Maschinenbelegungen müssen kurzfristig von der Produktionsplanung in die Produktionssteuerung überführt werden können.

Projekt im Forschungsportal ansehen

A C-Arm CT system, as compared with CT systems, is more sensible to the scattered radiation. This acquired scattered radiation leads, unavoidably, to a degradation of the reconstructed object's quality.
The presence of metallic implants such as platinum coils or clips additionally impairs image qualities by causing beam-hardening and scattering effects.

Every bit of information - that we call 'prior knowledge' - possible to being safely introduced during the image reconstruction process or post-processing can help to improve image qualities, reduce the overall acquisition time, or reduce the dose acquired by the patient.

In this project, prior knowledge will thus be used in order to improve C-Arm CT images interferred by scattering artefacts due to the presence of metallic implants. Supplementary information about the shape of metallic implants or the patient him/herself (e.g. obtained using a preparative planning CT) will consequently allow for an improved artefact compensation as well as image fidelity in the vicinity of implants.

Projekt im Forschungsportal ansehen

Im Rahmen dieses Projektes wird der bereits seit 2013 existierende internationale Masterstudiengang "Cognitive Systems: Language, Learning and Reasoning” an der Universität Potsdam (UP) nachhaltig um praxisbezogene Angebote im Bereich Machine Learning (ML) sowie neu entwickelte Lehrformate zum Deep Learning und zusätzliche Kapazitäten erweitert. Ein innovatives Lehrkonzept basierend auf forschendem Lernen und flipped Classrooms verknüpft dabei komplexe theoretische Grundlagen und praxisorientierte Anwendungen wie z.B. Spracherkennung oder Textanalyse. Durch ein Transfer-Netzwerk mit Partnern aus Forschung, Industrie und öffentlichen Einrichtungen werden reale Problemstellungen schon frühzeitig an die Studierenden herangetragen. In mehreren aufeinander aufbauenden Praxisphasen werden die Studierenden dabei fachlich und didaktisch durch ein Mentoring-Programm begleitet, um einen höchstmöglichen Kompetenzgewinn zu erzielen.

Projekt im Forschungsportal ansehen