Öffentlichkeitsarbeit: Schwarm Lernen an Schüler vermitteln
Unser Team beteiligt sich am Wissenschaftskommunikationsprojekt zur künstlichen Intelligenz "I'm a Scientist" von Wissenschaft im Dialog, gefördert von der VolkswagenStiftung, in Kooperation mit RHET AI und Forschungsbörse . Durch gesammelte Fragen auf der Kommunikationsplattform der Website und schriftliche Live-Chats treten Schülerinnen und Schüler in den Dialog mit Wissenschaftlerinnen und Wissenschaftlern, erfahren etwas über ihren Arbeitsalltag und an welchen Themen sie aktuell forschen. Das Projekt findet mehrmals im Jahr statt, wobei in jeder Runde unterschiedliche Themen im Mittelpunkt stehen und am Ende jeder Runde stimmen die Schülerinnen und Schüler über ihre Lieblingswissenschaftlerinnen und -wissenschaftler ab. 2024 lautete das Thema „Künstliche Intelligenz und Medizin“ und der Gewinner der Winterrunde ist unser Teammitglied Dr. Jonas Schulte-Schrepping. Herzlichen Glückwunsch, Jonas!
Klicken Sie auf den untenstehenden Link, um die Fragen zu lesen und mehr über das Projekt zu erfahren!
Weiterführende Literatur:
Schwarm Lernen: Revolutionierung der Medizin durch intelligentere, sicherere KI-basierte Zusammenarbeit
Prof. Dr. Joachim Schultze legt in einem Perspektiv-Artikel im Journal of CME Schwarm Lernen als neuen KI-Ansatz dar, der es medizinischen Institutionen ermöglicht, KI-Modelle gemeinsam zu trainieren ohne sensible Patientendaten zu teilen. Durch die Kombination von lokaler Datenspeicherung und Blockchain-Technologie zur Nachverfolgung von Transaktionen zwischen den Netzwerkpartnern respektiert dieser Ansatz die europäischen Datenschutzgesetze und fördert gleichzeitig die Anwendung von KI auf größere, vielfältigere Datensätze, wodurch bessere KI-gesteuerte Diagnostik entwickelt werden kann. Schwarm Lernen ist äußerst anpassungsfähig und zeigt Potential bei der Krankheitserkennung und Biomarker-Entdeckung, insbesondere in komplexen Bereichen wie Neurodegeneration oder Infektionskrankheiten.
Weiterführende Literatur:
Schultze, J. L. Building Trust in Medical Use of Artificial Intelligence – The Swarm Learning Principle. Journal of CME (2023), 12(1). DOI: 10.1080/28338073.2022.2162202
Zusammenführung von Daten für die Gesundheit: Wie Schwarm Lernen die Immunologie revolutioniert
Die Immunphänotypisierung ist einer der wichtigsten Ansätze in der Immunologie und könnte einen wesentlichen Beitrag zur Präzisionsmedizin leisten. Neue Techniken wie Einzelzellgenomik und künstliche Intelligenz (KI) eröffnen derzeit neue Möglichkeiten der Immunphänotypisierung. Jedoch ist die Arbeit mit Daten von vielen Patienten aus verschiedenen Organisationen komplex. Um Einschränkungen beim Datenaustausch zu überwinden, wendet unser Team Schwarm Lernen auf Immunphänotypisierungsdaten in verschiedenen klinischen Umgebungen an. Dieser Ansatz verspricht, das Verständnis von immunbezogene Krankheiten zu vertiefen und die Diagnostik zu verbessern, wodurch der Weg für Durchbrüche in der Präzisionsmedizin geebnet wird.
Weiterführende Literatur:
Schultze, J.L., Büttner, M. & Becker, M. Swarm immunology: harnessing blockchain technology and artificial intelligence in human immunology. Nat Rev Immunol 22, 401–403 (2022). DOI: 10.1038/s41577-022-00740-1
Hirn & Heinrich: Podcast-Folge zum Thema Big Data und Schwarmintelligenz
Im Gespräch mit Sabine Heinrich erklärt Prof. Dr. Joachim Schultze, warum die Vernetzung und Interaktion mit anderen Forschern so wichtig ist und welche Rolle „Big Data“ und maschinelles Lernen in diesem Zusammenhang spielen. Schwarm Lernen ermöglicht es, große Mengen medizinischer Daten mithilfe künstlicher Intelligenz zu analysieren und auszuwerten. Ziel ist es, Muster zu erkennen und daraus die passende Diagnostik und Therapie zu entwickeln. Im Podcast erklärt er, warum man weder vor künstlicher Intelligenz noch vor Big Data Angst haben muss und warum Ärzte niemals entbehrlich werden.
Überprüfen Sie die Folge :
Hirn & Heinrich: Demenzforschung mit Big Data und Schwarm-Intelligenz
Wie maschinelles Lernen die Medizin verändert – Datensatz für Datensatz
In diesem Übersichtsartikel beschreibt Dr. Matthias Becker Schgwarm Lernen als innovativen, datenschutzfreundlichen Ansatz, der es Krankenhäusern und Forschungszentren ermöglicht, KI-Modellen zusammen zu nutzen, ohne Patientendaten auszutauschen. Im Gegensatz zu herkömmlichen Methoden, die auf zentralen Daten-Hubs basieren, ermöglicht Schwarm Lerrnen jedem Standort, Modelle lokal zu trainieren und dann nur die gelernten Modellparameter auszutauschen, welche über alle Standorte hinweg kombiniert werden. Durch die Nutzung verteilter Datenquellen ermöglicht Schwarm Lernen die Entwicklung robusterer Modelle, die dazu beitragen könnten, seltene Krankheiten zu erkennen und sogar globale Gesundheitstrends wie Pandemien in Echtzeit zu verfolgen.
Weiterführende Literatur:
Becker, M. Swarm learning for decentralized healthcare. Hautarzt 73, 323–325 (2022). DOI: 10.1007/s00105-021-04940-z
Eine neuartige Technologie zur kooperativen Analyse großer Datenmengen
Die schnelle und zuverlässige Diagnose von Patienten mit schweren und heterogenen Erkrankungen ist ein zentrales Ziel in der Präzisionsmedizin. Allerdings besteht aufgrund der Datenschutzgesetze eine wachsende Kluft zwischen dem, was technisch möglich, und dem, was rechtlich zulässig ist . Um die Integration medizinischer Daten von verschiedenen Dateneigentümern weltweit zu ermöglichen, ohne gegen die Europäischen Datenschutzgesetze zu verstoßen, haben wir gemeinsam mit Hewlett Packard Enterprise das Konzept des Schwarm Lernenn entwickelt – einen dezentralen maschinellen Lernansatz, der Edge Computing, Blockchain-basierte Peer-to-Peer-Netzwerke und Koordination kombiniert und damit über die Möglichkeiten des föderierten Lernens hinausgeht.
Zur Veranschaulichung der Machbarkeit von Schwarm Lernen zur Entwicklung von Krankheitsklassifikatoren unter Verwendung verteilter Daten, haben wir Daten zu COVID-19, Tuberkulose, Leukämie und Lungenpathologien genutzt. Mit mehr als 16.400 Bluttranskriptomen aus 127 klinischen Studien sowie mehr als 95.000 Röntgenaufnahmen des Brustkorbs konnten wir zeigen, dass die Schwarm Lernen-basierten Klassifikatoren jene Modelle übertreffen, die an einzelnen Standorten erstellt wurden.
Weiterführende Literatur:
Warnat-Herresthal, S., Schultze, H., Shastry, K.L. et al. Swarm Learning for decentralized and confidential clinical machine learning. Nature 594, 265–270 (2021). DOI: 10.1038/s41586-021-03583-3