Learning Products - Machine Learning Strategien für intelligente Produkte in der Medizintechnik


 

Überblick


Die Vernetzung von Produkten und die Verfügbarkeit großer Rechen-, Speicher- und Netzwerkressourcen bieten neue wirtschaftliche Möglichkeiten für die Geräteindustrie. Auf diese Weise können "intelligente Produkte" entwickelt werden, d. h. Produkte, bei denen die Bedienung und die Auswertung der Ergebnisse durch Empfehlungs- und Entscheidungsdienste unterstützt und überwacht werden. In solche Produkte eingebaute lernende Algorithmen können helfen, Bedienungsfehler zu vermeiden, die Einarbeitung neuer Bediener zu erleichtern, die korrekte Auswertung von Messdaten zu gewährleisten, die Wartungskosten von Geräten zu senken und vieles mehr. Neben diesen Chancen ist die Entwicklung solcher Produkte aber auch mit weitreichenden Problemen und Risiken verbunden und bietet ein weites Feld offener wissenschaftlicher Fragen.

Ziel des Forschungsprojektes "Lernende Produkte" ist die Entwicklung und Evaluierung eines Methodensets für die Entwicklung von intelligenten Geräten. Aufgrund der besonders hohen Anforderungen an Datensicherheit und Zuverlässigkeit liegt der inhaltliche Schwerpunkt auf medizinischen Geräten, deren Sicherheit und Genauigkeit bei gleichzeitig hohen Standards erhöht werden soll.

Das Forschungsprojekt verfolgt den Ansatz des verteilten Trainierens von Modellen und entwickelt innovative Algorithmen zum Schutz der Privatsphäre. Mikroskopbilder, EKG-Daten, MRT-Aufnahmen oder Pulsmessungen verbleiben bei den Patienten oder deren Vertretern, Ärzten und Kliniken direkt vor Ort. Durch eine kontinuierliche und nachvollziehbare Auswertung und Bewertung der Messdaten soll der Betrieb medizinischer Geräte unterstützt und überwacht sowie Fehler und Unsicherheiten in maschinellen und menschlichen Entscheidungen frühzeitig erkannt und korrigiert werden.
Secsy Projektwebsite

Projektziele

  •     Entwicklung und Evaluierung verteilter Trainings- und Inferenztopologien
  •     Kontinuierliche Evaluierung von verteilten Trainingsdaten und Annotationen
  •     Sichere und effiziente Übertragung, Speicherung und Verwaltung von Daten, Annotationen, Modellparametern und Klassifikationsdaten
  •     Methoden zur Signierung von Trainingsdaten für die Nachvollziehbarkeit von Datenströmen und Nutzung
  •     Sicherstellung der Kompatibilität mit Entwicklungs- und Datenschutzstandards
  •     Unsicherheit und Erklärbarkeit von Klassifikationsergebnissen