KI & Data Science

Die Forschungsarbeiten der Gruppe »AI & Data Science« konzentrieren sich auf die Entwicklung und Anwendung von KI-/ML-Algorithmen entlang einer biomedizinischen Wertschöpfungskette. Diese Ausrichtung entspricht in weiten Teilen den Anforderungen der Pharma- und Biotechnologiebranche sowie des öffentlichen Gesundheitswesens:

• Target-Priorisierung (bessere Zielstrukturen):
  • Rationale Auswahl molekularer Zielstrukturen für zukünftige Therapien.
• Präzisionsmedizin (das richtige Medikament für die richtige Patientin oder den richtigen Patienten):
  • Vorhersage von Krankheitsrisiken, molekularen Subtypen, Krankheitsverläufen oder Therapieansprechen auf individueller Ebene.
• Klinische Studien (bessere Studien):
  • Simulation (kontrafaktischer) synthetischer Krankheitsverläufe.
    
  • Schätzung von Interventionseffekten auf Basis von Realwelt-Daten.

Um den hochkomplexen Fragestellungen unserer Anwendungsfelder gerecht zu werden, ist ein breites Spektrum an KI-/ML-Methoden erforderlich – von modernen neuronalen Netzwerkarchitekturen bis hin zu klassischen Verfahren des maschinellen Lernens. Standardlösungen (»off-the-shelf«) liefern dabei häufig keine zufriedenstellenden Ergebnisse. Ein wesentlicher Teil der Arbeiten entfällt daher auf die Anpassung, Weiterentwicklung und Neukonzeption von KI-/ML-Ansätzen, die gezielt zur Lösung konkreter Anwendungsprobleme beitragen. In den vergangenen Jahren lag ein besonderer Fokus auf folgenden Themenbereichen:

• Hybride KI / Wissensintegration
• Generative KI und Zeitreihenmodellierung
• Integration multimodaler Daten
• Kausales maschinelles Lernen

SCAI verfügt über langjährige Erfahrung im Umgang mit einem breiten Spektrum relevanter biomedizinischer Datentypen:

• Längsschnittliche klinische Studien
• Realwelt-Daten:
  • Elektronische Gesundheitsakten (Electronic Health Records) und Abrechnungsdaten
  • Digitale Marker: Daten aus digitalen Gerätetechnologien (beispielsweise Gangbildsensoren) und Smartphone-Anwendungen
• omics-Daten

Unsere Angebote umfassen die gesamte Wertschöpfungskette in der translationalen biomedizinischen Forschung in der Biotech- und Pharmaindustrie. Wir bieten Unternehmen maßgeschneiderte und auf ihre Bedürfnisse zugeschnittene Lösungen im KI und Data Mining Bereich, beispielsweise über Auftragsforschung. Auf diese Weise sind wir in der Lage, auf die unterschiedlichen Bedürfnisse unserer Kunden einzugehen und temporäre Ressourcen und Know-how in ihre internen Projekte einzubringen.

• 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