Maschinelles Lernen
für nicht-textuelle Daten

Hier sollen vor allem bisher nicht intensiv mit KI-Verfahren beforschte Bilddaten wie Echokardiografie-Sequenzen und longitudinale Bildstudien für das Monitoring von Patienten mit neuen Verfahren analysiert werden, um relevante Marker zu extrahieren und für Prädiktionsmodelle in der Kardiologie nutzen zu können. Besondere Herausforderungen sind die unterschiedlichen Bild-Modalitäten, zu denen oft nur eingeschränkte Trainingsdaten vorliegen. Durch die unterschiedlichen Domänen, Anwendungsfelder aber auch Sensortechnologien existieren Datenquellen, welche zwar Gemeinsamkeiten aufweisen, deren Transfer untereinander jedoch kaum genutzt werden kann. So lassen sich z.B. Trainingsdaten nur mit großem Aufwand von (teuren) Experten erzeugen, z.B. für das pixelgenaue Segmentieren eines Bildes, aber eine neue Sensortechnologie kann nicht mit diesen Daten trainiert werden, da die gelernten Modelle nicht gut genug generalisieren. In dieser Gruppesollen Methoden entwickelt werden, um einen effizienten Domänentransfer zu ermöglichen. So sollen Techniken des Multi-Task oder selbstüberwachten Lernens eingesetzt und Model Agnostic Meta Learning (MAML) umgesetzt werden, um Repräsentationen zu erlernen, von denen ausgehend sehr schnell ein Finetuning auf eine neue Domäne (mit weitaus weniger Daten) möglich ist