Maschinelles Lernen für die medizinische Datenanalyse ist inzwischen in vielen Anwendungen unter kontrollierten Bedingungen vergleichbar mit menschlicher Leistung. Dennoch stehen der breiten Einführung von KI in der klinischen Praxis noch grosse Hürden im Weg. In der Praxis sind insbesondere Deep-Learning-Algorithmen bekanntermassen fragil und neigen dazu, still und katastrophal zu versagen. KI-Systeme haben daher das Potenzial, der Patientin/dem Patienten zu schaden. Wird beispielsweise eine Hypoglykämie in einem KI-gestützten künstlichen Pankreassystem nicht erkannt, hat dies schwerwiegende Folgen.

Die Diabetesversorgung wird sich zunehmend auf verschiedene komplexe Datenquellen stützen, um die Patientenversorgung zu verbessern. Die künstliche Intelligenz (KI) wird eine entscheidende Rolle spielen bei der Interpretation dieser komplex voneinander abhängigen multimodalen und hochdimensionalen Daten. Unser langfristiges Ziel ist die Entwicklung nachweislich sicherer, zuverlässiger und wirksamer KI Instrumente zur Verbesserung patientenspezifischer Behandlungssysteme. Um dieses Ziel zu erreichen, schaffen wir die notwendigen Rahmenbedingungen für die Datenverarbeitung und -analyse.

Methodische Forschungsschwerpunkte im Bereich vertrauenswürdiger KI:

• Interpretierbares Maschinelles Lernen
• Generalisierung von KI Modellen und Vorhersage ihrer Genauigkeit
• Robustheit
• Lernen von entkoppelten Repräsentierungen

Anwendungsgebiete:

• Analyse von Daten kontinuierlicher Glukoseüberwachung (CGM), zum Beispiel für CGM-Prognosen und Risikovorhersagen

• Analyse medizinischer Bilder (Klassifizierung, Segmentierung, Modellierung von Krankheitsverläufen)