KI/Bioinformatik
Die Digitalisierung der Versorgungs-/Forschungsprozesse im BZKF führt zu klinischen Daten, Bilddaten, Bioprobeninformationen und molekularen Daten, die für innovative Verfahren der Bioinformatik und der Künstlichen Intelligenz nutzbar gemacht werden.
Konzept:
Mittels Digitalisierung sollen onkologische Versorgungs- und Forschungsprozesse optimiert und die ärztliche Entscheidungsfindung unterstützt werden. Die dabei entstehenden Datenbestände der BZKF-Partner sollen standortbezogen integriert und standortübergreifend harmonisiert werden. Dabei sind internationale Standards (HL7 FHIR, IHE, SNOMED CT, LOINC, ICD-10/O, ADT-Datensatz, Kerndatensatz der MII, EPA MIOs, …) zu berücksichtigen. In enger Abstimmung und Kooperation mit der BZKF AG IT sind zunächst grundlegende Basisinfrastrukturen zu definieren, zu konzipieren und zu etablieren.
Ausgangslage
» Tumordokumentationssystem an jedem Standort
» Biobankmanagementsystem an jedem Standort
» Keine Standorte übergreifende Datennutzung für wissenschaftlichen Erkenntnisgewinn
Handlungsfelder
» Datenintegration
» Harmonisierung auf gemeinsames Datenmodell
» föderierte Auswertungen
» standardisierte bioinformatische Pipelines
» verteiltes Maschinelles Lernen
» gemeinsame Lösung zur Therapieunterstützung im Molekularen Tumorboard
Mehrwert
» neue KI-basierte Klassifikations-ansätze und Prognosemodelle
» Unterstützung der Ärzt*innen bei Therapieentscheidungen
» Bessere Versorgung onkologischer Patient*innen
Langfristige Ziele:
» Etablierung eines BZKF-weiten Forschungsdaten-Repositories mit klinischen Daten, Bilddaten, Probeninformationen und molekularen Daten
» Effiziente digitale Visualisierung Molekularbiologischer Analyseergebnisse
» Standortübergreifende Entscheidungsunterstützung bei der Therapiefindung in Molekularen Tumorboards
» Entwicklung innovativer bioinformatischer Pipelines und neuer KI-basierter Entscheidungsunterstützung
Sprecher:
Prof. Dr. Hans-Ulrich Prokosch, Universitätsklinikum Erlangen
Status Quo (2024):
BZKF Leuchtturm KI and Bioinformatik (pdf)
Aufzeichnung der KI-Webinarreihe
Real World Federated Learning in Radiology: Hurdles to overcome and Benefits to gain
Welche Hindernisse müssen gemeistert werden, um Federated Learning in reale radiologische Anwendungen zu integrieren?
Referent: Markus Bujotzek, DKFZ Heidelberg