Zeitreihen sind allgegenwärtig in der Medizin, angefangen von EKG über EEG bis hin zu Daten von Wearables. Wir beschäftigen uns mit den speziellen methodischen Herausforderungen in diesem Bereich wie der Modellierung langreichweitiger Wechselwirkungen, der Verarbeitung langer Zeitreihen (wie z.B. Langzeit-EKGs), der Behandlung von fehlenden Daten, sowie der Modellierung von (multimodalen) Patiententrajektorien.

Schlüsselbegriffe: Zeitreihen, langreichweitige Wechselwirkungen, Informationsextraktion aus langen Zeitreihen, Imputation fehlender Daten, Patiententrajektorien

Der Abhängigkeit von gelabelten Daten ist eine zentrale Herausforderung für maschinelles Lernen im Allgemeinen und trifft insbesondere auf Anwendungen im Gesundheitssektor zu. Wir erforschen Wege, um diese Abhängigkeit zu reduzieren durch Techniken wie selbstüberwachtes (self-supervised) Lernen, das Einbringen von Symmetrien/Seiteninformationen oder das Lernen aus schwachen Labels.

Schlüsselbegriffe: selbstüberwachtes Lernen, Einbringen von Symmetrien/Seiteninformationen, schwache Labels

Moderne Deep Learning Modelle werden häufig als Black Box angesehen. Der daraus entstehende Mangel an Transparenz stellt ein zentrales Hindernis dar, auf solchen Modellen beruhende Systeme in die klinische oder außerklinische Anwendung zu bringen. Wir forschen daher an Interpretierbarkeitsmethoden mit besonderem Fokus auf Feature-Interaktionen und konzeptbasierten Erklärungen. Desweiteren versuchen wir die Robustheit und weitere Qualitätskriterien von KI-Algorithmen zu messen und Modelle diesbezüglich zu verbesseren.

Schlüsselbegriffe: Erklärbarkeit, Interpretierbarkeit, Qualitätskriterien, Robustheit, Auditing

Unser Ziel ist der Transfer von aktuellen Methoden des maschinellen Lernens in den (bio)medizinischen Anwendungsbereich. Der Fokus liegt dabei auf physiologischen Zeitreihen, insbesondere auf EKG-Daten, erstreckt sich aber auch auf Zeitreihendaten aus der Intensivstation und darüber hinaus. Im Bereich der Biomedizin arbeiten wir an Methoden, um Proteineigenschaften aus der primären Sequenz abzuleiten. Wir sind sehr offen für weitere Anwendungsfälle im Bereich von Gesundheitsthemen im weitesten Sinne - kontaktieren Sie uns daher gerne falls Sie an einer Zusammenarbeit interessiert sind.

Schlüsselwörter: physiologische Zeitreihen, Elektokardiographie (EKG), Proteinfunktion