Unsere Forschungsgruppe verfolgt das Ziel, die Patientenversorgung durch den Einsatz von Künstlicher Intelligenz (KI) und Data Science auf klinischen Daten zu verbessern. Ein besonderer Schwerpunkt liegt dabei auf der Analyse medizinischer Bilddaten mit Hilfe dieser Technologien. KI und Data Science bieten grosses Potenzial, die Behandlungsergebnisse zu verbessern und die Medizin in verschiedener Hinsicht zu transformieren:

● Beschleunigung und Vereinfachung der Analyse medizinischer Bilder durch (Teil-) Automatisierung der Diagnostik, Ergebnisprognose und Bildquantifizierung sowie -rekonstruktion.
● Entwicklung von Technologien, die neue Behandlungsstrategien auftun und ohne KI nicht realisierbar wären.
● Gewinnung neuer Erkenntnisse aus grossen Datensätzen, um Therapieentscheidungen, klinische Forschung und zukünftige Arzneimittelentwicklung besser zu unterstützen.

Während KI-Technologien heute im Alltag weit verbreitet sind, z. B. in Sprachassistenten, der Moderation von Online-Inhalten oder der Betrugserkennung, ist ihr Einsatz in der klinischen Praxis bislang erstaunlich begrenzt. Ein wesentlicher Grund dafür ist, dass das Gesundheitswesen ein hochsensibler Anwendungsbereich ist, in dem Algorithmen aussergewöhnlich hohen Anforderungen an Zuverlässigkeit und Robustheit standhalten müssen. Eine weitere Herausforderung besteht in der Undurchdringbarkeit moderner neuronaler Netzwerke: Klinikerinnen und Kliniker sind oft zurückhaltend, sich auf Systeme zu verlassen, deren Entscheidungen sie nicht nachvollziehen oder ihren Patient:innen nicht verständlich erklären können. Beide Aspekte wirken sich nicht nur auf die klinische Akzeptanz aus, sondern spielen auch eine zentrale Rolle in der Regulierung und Zertifizierung medizinischer KI-Systeme.

Um das enorme Potenzial von Machine Learning im Gesundheitswesen tatsächlich nutzbar zu machen und reale Patientenergebnisse zu verbessern, verfolgt unsere Forschungsgruppe daher das Ziel, die Lücke zwischen maschinellem Lernen und klinischer Anwendung zu überbrücken. Unsere Forschung gliedert sich in fünf übergeordnete Themenbereiche:

● Robustheit, Sicherheit und Unsicherheitsquantifizierung
● Interpretierbares maschinelles Lernen
● Human-in-the-loop Systeme, ein kollaborativer Ansatz zwischen Mensch und KI
● Generative Modelle für grosse medizinische Datensätze
● Meta-Lernen und Lernen aus kleinen medizinischen Datensätzen