Am 24. Juni 2026 traf sich die CAIMed-Community zu ihrem jüngsten Meet-up in Hannover, bei dem das Thema „Mashine Learning beyond textual data“ im Mittelpunkt stand. Die Veranstaltung unterstrich einmal mehr die Bedeutung interdisziplinärer Zusammenarbeit und des Austauschs für die Weiterentwicklung der künstlichen Intelligenz in der Medizin.
Der Tag begann in der Appelstraße 11A mit dem HAIMed-Workshop, einem CAIMed-„Shark Tank“-Experiment, das darauf abzielte, kreative Problemlösungen, Teamarbeit und den Austausch zwischen Doktoranden und Teilnehmern zu fördern. Nach einer Einführungsrunde arbeiteten die Teilnehmer intensiv in Gruppen daran, ihre Ideen in einem kooperativen Umfeld zu entwickeln und zu verfeinern.
Am Nachmittag wurde das Meet-Up im Königlichen Pferdestall der Leibniz Universität Hannover fortgesetzt. Die Teilnehmer trafen sich zu einem leichten Mittagessen und zum Networking, bevor das Keynote-Programm begann. Die geladenen Referenten boten wertvolle Einblicke in aktuelle Entwicklungen und Anwendungen des maschinellen Lernens über textbasierte Ansätze hinaus.
Im Rahmen des Meet-ups hielten Prof. Dr. Nico Lachmann vom Institut für Experimentelle Hämatologie der Medizinischen Hochschule Hannover, Dr. Paula Perez-Toro vom Pattern Recognition Lab der Friedrich-Alexander-Universität Erlangen-Nürnberg und der Technischen Universität München sowie Dr. Philip Hempel vom Institut für Medizinische Informatik des Universitätsklinikums Göttingen Keynote-Vorträge.
Ein zentraler Bestandteil des Programms war die Präsentation der HAIMed-Ergebnisse. Die teilnehmenden Teams stellten die Konzepte und Ansätze vor, die sie während der Arbeitsphase entwickelt hatten, und demonstrierten damit die Kreativität und das interdisziplinäre Potenzial innerhalb des CAIMed-Netzwerks. Die Veranstaltung endete mit der Bekanntgabe des Gewinnerteams und einer Verabschiedung.
Mit seiner Kombination aus praktischer Zusammenarbeit, wissenschaftlichem Austausch, Keynote-Vorträgen und Networking-Möglichkeiten bot das CAIMed Meet-Up eine inspirierende Plattform für die Diskussion darüber, wie maschinelles Lernen über Textdaten hinaus auf vielfältige Formen medizinischer und biomedizinischer Daten angewendet werden kann.
