Künstliche Intelligenz mit limitiertem Datensatz für Medizinprodukte

Künstliche Intelligenz-Algorithmen wurden ursprünglich für Anwendungen entwickelt, bei denen ein grosser Datensatz für das Trainieren und das Testen des Modells zur Verfügung steht. In der Medizintechnik ist der Datensatz aufgrund hoher Studienkosten typischerweise auf einige zehn bis einige hundert Messungen limitiert, welche eine beschränkte Diversität haben. Wie wird die Limitierung des Datensatzes in der Praxis adressiert und welche Techniken existieren um die Diversität des Datensatzes zu erhöhen?

Dies zeigen wir anhand anonymisierter Beispiele aus unserer Praxis inklusive theoretischer Grundlagen. Wir werden über den Einsatz von Synthetic Minority Oversampling, Data Augmentation und Transfer Learning berichten um zielgerichtet die Datenbasis zu erweitern. Mittels Relevance Scores und der Evaluierung des Modellverhaltens mit Testdaten können wir die Eigenschaften des Models interpretierbar (Interpretability) machen und so die Generalisierbarkeit (Generalization) in der Entwicklungsphase sicherstellen. Die Generalisierung gelingt nicht ohne Iterationen und kontinuierlicher Integration des medizinischen Fachwissens.

Was lernen die Zuhörer in dem Vortrag:

Welche Techniken genutzt werden können um die Begrenzungen eines typischen Datensatzes in der Medizintechnik (Limitiert Anzahl Messungen und limitierte Diversität) zu überwinden.

Referenten: Urs Anliker und Matthias Pfister, Helbling Technik Bern AG

Urs Anliker arbeitet als Teamleiter Medical Embedded Software bei Helbling in der Schweiz. Mit seinem Team entwickelt er verbundene medizinische Geräte und im Leistungsverbund innerhalb Helbling Technik e-Health Plattformen für verschiedenste Anwendungen.

Urs Anliker hat an der ETH Zürich im Bereich Elektrotechnik studiert und promoviert. In seiner beruflichen Laufbahn hat er sich mit Elektronik, Datenverarbeitung und Softwareentwicklung beschäftigt, sei es in der Medizintechnik, der Banknotenverarbeitung oder Cyber Security.

Matthias Pfister arbeitet als Teamleiter Optical Data Science bei Helbling in der Schweiz. Mit seinem Team entwickelt er optische Systeme mit anspruchsvoller Datenverarbeitung für verschiedenste Anwendungen.
Matthias Pfister hat an der EPFL in Lausanne Elektrotechnik studiert. Seine Expertise liegt an der Schnittstelle von Datenverarbeitung, Optik und Elektronik für medizinische Anwendungen inkl. OCT für die Ophthalmologie, Autofokus Systeme und Endoskopie.

Key Facts

Themengebiet: Künstliche Intelligenz

Anspruch: Einsteiger

Schlüsselwörer: Künstliche Intelligenz, Synthetic Minority Oversampling, Data Augmentation und Transfer Learning, Interpretability, Generalization

Datum und Uhrzeit: 21. Oktober 2021, 13:35 bis 14:20

Raum: Rom

Copyright © 2021 HLMC Events GmbH