Biomedical AI & Data Science

Die Abteilung Biomedical AI & Data Science entwickelt, adaptiert und nutzt KI- und ML-Methoden. Ziel sind robuste, gut interpretierbare und evidenzbasierte Analysen biomedizinischer Daten. Der fachliche Fokus folgt einer Wertschöpfungskette. Diese Ausrichtung passt weitgehend zu den Bedarfen von Pharma und Biotech sowie dem öffentlichen Gesundheitswesen.

• Zielpriorisierung (bessere Targets)
  • Auswahl geeigneter molekularer Zielstrukturen für künftige Therapien auf rationaler Grundlage
• Präzisionsmedizin (richtiges Medikament, richtige Person, richtige Zeit, richtige Dosis)
  • Vorhersage von Krankheitsrisiko, molekularem Subtyp, Verlauf oder Therapieansprechen auf Ebene einzelner Patientinnen und Patienten
• Klinische Studien (bessere Studien)
  • Simulation synthetischer Krankheitsverläufe, auch kontrafaktisch
  • Schätzung kausaler Effekte von Interventionen aus Beobachtungsdaten

Für diese anspruchsvollen Aufgaben passt die Abteilung moderne ML-Algorithmen und neuronale Netze an. Dabei stehen typische Eigenschaften biomedizinischer Daten im Vordergrund. Dazu zählen Heterogenität, Sparsität, longitudinale Strukturen und Multimodalität. Reichen etablierte Ansätze nicht aus, entwickelt die Abteilung neue, auf die Fragestellung zugeschnittene Modelle. In den vergangenen Jahren lagen Schwerpunkte auf:

• Hybrider KI und Einbindung von Wissen, etwa durch geometrisches Deep Learning oder Scientific Machine Learning
• Generativer KI und Zeitreihenmodellen
• Integration multimodaler Daten
• Kausalem Machine Learning

Ein weiterer Schwerpunkt betrifft die Anwendung in der klinischen Praxis. Im Zentrum steht die Frage: Unter welchen Annahmen liefern KI-Prognosen einen echten Nutzen? Leistungswerte allein genügen dafür nicht. Wichtig sind auch Erklärbarkeit und Unsicherheit. Ebenso zählen Konsistenz mit biomedizinischem Wissen, Robustheit und externe Validität. Grundlage bilden Daten aus Studien und aus der Versorgung. So entsteht KI, die medizinisch sinnvoll und vertrauenswürdig ist.

Die Abteilung verfügt über Erfahrung mit vielen Datentypen aus der Biomedizin:

• Multimodale longitudinale klinische Studien, zum Beispiel mit
  • klinischen Beurteilungen per Fragebogen
  • Bilddaten
  • molekularen Markern
• Real-World Data
  • elektronische Gesundheitsakten und Abrechnungsdaten
  • digitale Marker aus Sensorik, etwa Gangsensoren, sowie aus Smartphone-Apps

Die Forschungsarbeiten der Abteilung decken zentrale Teile der Wertschöpfungskette in der translationalen biomedizinischen Forschung ab. Der Schwerpunkt liegt auf der Biotech- und Pharmaindustrie. Unternehmen erhalten unter anderem:

• Entwicklung maßgeschneiderter, modernster KI- und Data-Mining-Algorithmen
• Anwendungsorientierte Forschungsstudien zu definierten biomedizinischen Use Cases mit Fokus auf Interpretierbarkeit, Robustheit und evidenzielle Grenzen KI-basierter Vorhersagemodelle
• Systematische Literaturübersichten
• Schulungen

Mit unseren Angeboten adressieren wir gezielt unterschiedliche Kundenbedarfe. Temporäre Ressourcen und Expertise unterstützen interne Projekte und schaffen zusätzliche Kapazitäten.

• Colin Birkenbihl, Johann de Jong, Ilya Yalchyk, Holger Fröhlich (2024), Deep learning-based patient stratification for prognostic enrichment of clinical dementia trials, Brain Communications, fcae445
• Philipp Wendland, Colin Birkenbihl, Marc Gomez-Freixa, Meemansa Sood, Maik Kschischo, Holger Fröhlich (2022), Generation of realistic synthetic data using Multimodal Neural Ordinary Differential Equations. npj Digital Medicine volume 5, Article number: 122
• Tom Hähnel, Tamara Raschka, Stefano Sapienza, Jochen Klucken, Enrico Glaab, Jean-Christophe Corvol, Björn Falkenburger, Holger Fröhlich (2024), Progression subtypes in Parkinson’s disease identified by a data driven multi cohort analysis, npj Parkinson’s Disease, 10, 95
• Manuel Lentzen, Thomas Linden, Sai Veeranki, Sumit Madan, Diether Kramer, Werner Leodolter, Holger Fröhlich (2023), A Transformer-Based Model Trained on Large Scale Claims Data for Prediction of Severe COVID-19 Disease Progression, IEEE Journal of Biomedical and Health Informatics
• Birkenbihl, C., Salimi, Y., Fröhlich, H. (2022), Unraveling the heterogeneity in Alzheimer's disease progression across multiple cohorts and the implications for data-driven disease modeling. Alzheimer's & Dementia; 18: 251– 261