Meningeome machen 35% der Hirntumore aus und erfordern epigenetische Klassifizierungen für genaue Prognosen. Diese Information muss derzeit aufwändig im Labor erhoben werden. Die Nachwuchsgruppe von Dr. Daniel Amsel (JLU) hat ein auf Künstlicher Intelligenz(KI) basierendes Verfahren entwickelt für die epigenetische Klassifizierung von digitalisierten Objektträgern. Ziel des Projekts X4Neuro ist es, in Kooperation mit Dr. Jennifer Hannig (THM) das KI-Model um Methoden der erklärbaren künstlichen Intelligenz (Explainable Artificial Intelligence, XAI) zu erweitern. Damit können die für die Entscheidung der KI-Modells relevanten Bereiche auf zellulärem Level bzw. auf Pixel-Ebene aufzudecken werden.

Kleine und mittlere Unternehmen (KMU) stehen heutzutage unter zunehmend hohen Innovationsdruck. Sie operieren mit begrenzten finanziellen und personellen Ressourcen und müssen damit komplexe Fertigungsstrukturen, häufig mit Einzel- und Kleinserienfertigung, betreiben. Effizienzsteigerung in der Produktion besitzt häufig existentielle Bedeutung. Limitierte Kapazitäten zwingen sie darüber hinaus zu einem effizienten Einsatz der vorhandenen Produktionsmittel bei gleichzeitig steigenden Qualitätsanforderungen der Märkte.

Künstliche Intelligenz (KI) in der Produktion kann in einer Vielzahl von Unternehmensprozessen eingesetzt werden und nachhaltige Effekte bewirken. Eine systematische, automatisierte Erhebung von Daten, die während der Fertigung unmittelbar in den Maschinen anfallen, erlaubt eine konsequente Anwendung von KI-Algorithmen und unterstützt genauere Vorhersagen der tatsächlichen Ressourcennutzung. Aus den Daten gewonnene Erkenntnisse können Prognosen von Ausbringungsmengen und -qualitäten oder Maschinenverfügbarkeiten ermöglichen. Unmittelbare Effekte einer solchen intelligenten Maschinen- und Prozessüberwachung sind eine höhere Liefertreue, eine effizientere Auslastung der Ressourcen im Unternehmen (inkl. Energie- und Ressourceneffizienz) und eine erhöhte Transparenz über den Zustand der eingesetzten Fertigungsanlagen.

Um den KI-Reifegrad in KMUs voranzubringen, soll das hohe Potential der Technologie mit Hilfe von Demonstratoren in einer realen Laborumgebung dargestellt werden. Dabei können bereits gesetzte Impulse für die Einführung von KI als Hebel genutzt werden und neben den bereits bekannten Einsatzmöglichkeiten mit der systematischen Umsetzung begonnen werden. So wird neben den Verfahren auch der operative Einsatz in einer Laborumgebung anhand von Demonstratoren gezeigt.

„QuaOne“ befasst sich mit einer automatisierten Qualitätskontrolle. Hierbei wird der Zustand des fertigen Produktes digital erfasst und durch ein KI-System mit dem Soll-Zustand verglichen

Digitale Innovation und Technologie: Es soll eine Software zur automatisierten Qualitätskontrolle aus der additiven Fertigung stammenden Produkten spezifiziert und implementiert werden. Hierbei sollen die Objekte mittels verschiedener Verfahren erfasst und dann mithilfe intelligenter Algorithmen auf ihre Qualität geprüft werden.

Anwendungsbereich: Die automatisierte Qualitätssicherung findet in einer Vielzahl von Industriezweigen Anwendung, in denen die Gewährleistung einer hohen Produktqualität, Effizienz und Sicherheit von entscheidender Bedeutung ist. In der Fertigungsindustrie werden dadurch effiziente Überwachung und frühzeitige Erkennung von Qualitätsabweichungen ermöglicht.
Durch den Einsatz automatisierter Systeme können Unternehmen die Qualitätssicherungsprozesse optimieren und ihre Wettbewerbsfähigkeit stärken.

Projektbeteiligte: Zur Realisierung der Software kooperiert die Technische Hochschule Mittelhessen mit 3D Activation GmbH, einem Unternehmen aus der additiven Fertigung. Diese bringen das notwendige Domänenwissen auf diesem Gebiet mit und bringen außerdem einen Einblick in die Anforderung der Industrie.

Die Bahn und ihre Infrastrukturen werden kontinuierlich digitalisiert. Es ist bekannt, dass Cyber-Angreifer/Hacker Bedrohungen für die digitalen Infrastrukturen sind. Daher müssen beim Entwurf und der Bereitstellung eines digitalen Systems oder einer digitalen Infrastruktur von Anfang an die Aspekte der Cybersicherheit berücksichtigt und in die Planung mit einbezogen werden. Dieses Vorgehen wird als „Security by Design“ bezeichnet. Eine der wichtigsten Aufgaben in der Designphase ist die Bedrohungsanalyse und Risikobewertung (TARA), um die potenziellen Bedrohungen, ihre Eintrittswahrscheinlichkeit und ihre Auswirkungen zu verstehen. Ziel dieses Projekts ist es, eine TARA für eines der Systeme in dieser Domäne zu erstellen.

Digitalisierung und das damit verbundene Potential der Prozessoptimierung stellt insbesondere in der Notfallmedizin, einem Bereich in dem schnelle Entscheidungen lebenswichtig sein können, eine wünschenswerte Entwicklung dar. Im Projekt HERMIQS wird mit Hilfe Künstlicher Intelligenz eine automatische Erkennung von akuten, im Notfalleinsatz relevanten, Pathologien erfolgen. Methoden der KI sind nachgewiesenermaßen in der Lage, die Präzision von menschlichen Experten bei spezifischen Aufgaben (z.B. Analyse und Interpretation von medizinischem Bildmaterial oder Datenreihen) zu erreichen und vielfach sogar zu übertreffen. HERMIQS wird die KI Modelle in hochperformante Systemkomponenten einbinden und damit einen Dialog zwischen allem Aktueren eines typischen Notfallszenarios in annähernd Echtzeit ermöglicht. Ziel des Vorhabens HERMIQS ist die Erweiterung der MedGate Online Plattform der CRS medical um einen automatisierten KI-basierten Analysealgorithmus für EKGs. Diese Analyse soll Einsatzkräften im Rettungsdienst sowie NotärztInnen über ein intuitives Rückmeldesystem zur Verfügung stehen und sie bei der Entscheidungsfindung (beispielsweise die Auswahl der am besten geeigneten Zielklinik) unterstützen. In der aufnehmenden Klinik kann damit wertvolle Zeit zum Nutzen der PatientInnen gewonnen werden.

Ziel des Vorhabens HERMIQS ist die Erweiterung der MedGate Online Plattform um einen automatisierten Analysealgorithmus für EKGs mit Hilfe einer auf Künstlicher Intelligenz basierenden Algorithmik. Diese Analyse soll Einsatzkräften im Rettungsdienst sowie NotärztInnen über ein intuitives Rückmeldesystem zur Verfügung stehen und sie bei der Entscheidungsfindung (beispielsweise die Auswahl der am besten geeigneten Zielklinik) unterstützen. In der aufnehmenden Klinik kann damit wertvolle Zeit zum Nutzen der PatientInnen gewonnen werden.

Entwicklung einer KI-Engine für Datengetriebene Lead-Generierung, die dem Vertrieb automatisiert, selbstlernend und interaktiv mit breiter Marktabdeckung hochwertige und bewertete Kontakte liefert

Digitale Innovation und Technologie: Vertrieb und Kundenmanagement sind in den meisten Unternehmen ein strategischer und kritischer Erfolgsfaktor. Die Recherche nach hochwertigen Kontakten (Leads) ist daher von großer Bedeutung für das Neukundengeschäft. LEGADA löst die personalintensive Sichtung, Nachrecherche und Bewertung von Kontakt-Daten aus vielen heterogenen, teils unstrukturierten Datenquellen ab. Der disruptive Ansatz von LEGADA besteht in der Entwicklung einer KI-Engine für Daten-getriebene Lead-Generierung, die dem Vertrieb automatisiert, selbstlernend und interaktiv mit breiter Marktabdeckung hochwertige und bewertete Kontakte liefert. Die im Hintergrund arbeitende, selbstlernende KI-Engine wird interaktiv vom Nutzer gesteuert, der die Suchergebnisse iterativ durch die Bewertung der gefundenen Treffer beeinflussen und verbessern kann.

Anwendungsbereich: LEGADA generiert KI-gestützt aussichtsreiche Kontakte im Vertrieb. Dabei werden flächendeckend alle deutschen Business-Websites gescannt und außerdem weitere Datenquellen berücksichtigt, die relevante Informationen zur Bewertung von Unternehmen beinhalten. Die KI bewertet die gefundenen Kontakte und ermöglicht sowohl eine Interpretation als auch eine interaktive Iteration der Trefferliste.
Das Projekt richtet sich insbesondere an KMU, Forschungseinrichtungen und Dienstleister im Technologietransfer, da für diese Zielgruppen die Adressgewinnung und Lead-Generierung häufig ein großes Hindernis im Marktzugang darstellt.

Projektbeteiligte: Das interdisziplinäre Kompetenzzentrum für Informationstechnologie (KITE) an der Technischen Hochschule Mittelhessen (THM) betreibt u. a. angewandte Forschung und Entwicklung zu künstlicher Intelligenz und maschinellem Lernen. Das Unternehmen Dastani Consulting GmbH ist seit 2006 auf Datenanalysen und die Entwicklung von Prognosesystemen spezialisiert. Kern der Beratungsgesellschaft ist die Prognose von Kundenverhalten und die Ermittlung von Potenzialen am Markt. Der Schwerpunkt der Prognosen liegt dabei in Marketing und Vertrieb, sowohl im B2B- als auch im B2C-Bereich. Dastani Consulting hatte bereits in ähnlichem Kontext ein Projekt im LOEWE 3-Programm des Landes mit der THM realisiert. Die Idee für das Projekt LEGADA entstand dann im Zuge von gemeinsamen Bachelor- und Masterarbeiten.

Vielfach führen Erkrankungen des Herzens besonders in frühen Stadien zunächst zu subtilen, unspezifischen Veränderungen im EKG, die schwer erkennbar sind und nur von spezialisierten KardiologInnen sicher identifiziert werden können. Darüber hinaus bedarf es für sichere Diagnosen als Grundlage für eine mögliche Behandlung häufig noch weiterer Untersuchungen. Neben dem hoch spezialisierten Expertenwissen wird also gegenwärtig häufig kostenintensive weiterführende Diagnostik notwendig, um Veränderungen im Herzmuskel sicher zu erkennen. Das RisKa System liefert nun KI-vermittelt auf Basis der Informationen des EKGs qualitativ hochwertige Informationen zur Unterstützung bei der Diagnose. Das KI-System erkennt dabei komplexe Muster, wie sie bei Veränderungen – z.B. Vernarbungen – im Herzmuskel auftreten. Damit kann Anwendung aufwändiger zusätzlicher Diagnostik auf notwendige Fälle reduziert werden und so knappe Ressourcen geschont sowie invasive Untersuchungen vermieden werden. Ziel von RisKa ist die Entwicklung eines klinischen Entscheidungsunterstützungssystems, das automatisiert mit Hilfe der KI Muster in Elektrokardiogramm-Aufnahmen präzise und kostengünstig erkennen und die gewonnene Information den AnwenderInnen zur Verfügung stellen kann. Das System kann EKG-Aufnahmen aus unterschiedlichsten Quellen einlesen und für die Anwendung der KI vorbereiten. Die EKG-Zeitreihen können dabei um weitere Daten der PatientInnen ergänzt werden (klinische Daten, Biomarker, Stimmdaten, etc.). Über eine innovative Visualisierung mit Erklärungskomponenten assistiert das System MedizinerInnen bei der Untersuchung und Entscheidungsfindung in der ärztlichen Praxis. In Summe ergibt dies ein effizientes interaktives Human-in-the-Loop KI-System für die Unterstützung bei der ärztlichen Diagnosestellung. Die Entwicklung moderner lernender Systeme stellt hohe Anforderungen an die Auswahl und die Nutzung der Datenbasis. Eine besondere Herausforderung für RisKa liegt in der Bereitstellung einer multimodalen Benutzerschnittstelle, die eine möglichst nahtlose Integration in Prozesse der ärztlichen Praxis bietet.

Das entwickelte System kann von niedergelassenen ÄrztInnen für die individualisierte Risikoerkennung in Screening-Verfahren zur frühzeitigen Erkennung und Diagnose von Herz-Kreislauf-Erkrankungen genutzt werden. Mit RisKa kann eine personalisierte Risikostratifizierung für Herz-Kreislauf-Erkrankungen mit großer Reichweite etabliert werden. Niedergelassene MedizinerInnen können diese in ambulante Regeltermine und Check-up-Untersuchungen integrieren. Eine fachärztliche kardiologische Vorstellung, oft mit weiter Anfahrt verbunden, wird dann erst bei begründetem Verdacht notwendig. Durch die Nutzung von RisKa steht spezifische kardiologische Expertise nicht mehr nur zentral zur Verfügung, sondern auch dezentral beispielsweise in der hausärztlichen Praxis, was unmittelbar zu einer Verbesserung der PatientInnenversorgung und des Gesundheitswesens beiträgt.

Die Computer-basierte Modellierung ist ein wichtiger Bestandteil zur Verbesserung des Verständnisses von strukturellen und physiologischen Aspekten der Atemfunktion. Für Erwachsenen wurden bereits verschiedene Modelle erstellt anhand derer die Lunge z.B. im gesunden Zustand bzw. unter pathophysiologischen Ereignissen wie z.B. Asthma, untersucht werden konnten. Da sich jedoch die Struktur und Physiologie der Lunge des Neugeborenen/Frühgeborenen bzw. die Ursachen und Pathophysiologie akuter pulmonaler Dysfunktionen bei dieser Gruppe erheblich von denen erwachsener Patienten unterscheiden, können die klinisch-physiologischen Wirkungsweisen nicht auf diese Zielgruppe übertragen werden.

Das Verbundprojekt verfolgt das Ziel der Etablierung eines neuen, auf die spezifischen Bedürfnisse von Neonaten abgestimmten Beatmungsgerätes mit der Technik der JET-Ventilation in Kombination mit einer automatisierten Beatmungssteuerung. Hierfür wird in diesem Teilprojekt eine computergestützte Simulation der Lungenfunktion bei Neonaten und ein entsprechendes additiv gefertigtes 3D-Lungenmodell zur Verifikation und Optimierung der Methode etabliert. Anhand dieser Modelle sollen Simulationen durchgeführt und damit die Bestimmung der Einstellgrößen für den Micro-JET-N speziell für die Behandlung des MAS d.h. für den effektiven Abtransport von Mekonium unter gleichzeitiger optimaler Belüftung der Lunge erreicht werden. Zudem wird unter Verwendung von innovativen Analyseverfahren des Data-Minings, ein Konzept zur Therapieüberwachung und dem Risikomanagement erarbeitet.

Da es derzeit keine Modelle gibt, die den Einfluss der JET-Ventilation auf MAS bei Neugeborenen/Frühgeborenen abbilden, haben diese Modelle ein sehr großes innovatives Potential zur Untersuchung dieser Fragestellung, aber auch generell zur Untersuchung verschiedener Ursachen und Pathophysiologien akuter pulmonaler Dysfunktionen.

Stadtzentren werden immer attraktiver und in Folge dessen steigt dort die Verkehrsbelastung durch Pendlerströme und innerstädtischen Verkehr. Der Erfolg von Maßnahmen zur Entlastung des Verkehrssystems hängt stark vom individuellen Verhalten der Verkehrsteilnehmer ab. Effekte von Interventionen sind daher in der Regel schwer zu prognostizieren ‐ eine Bewertung kann oft erst nach Durchführung erfolgen. Leistungsfähige Simulationen können Eingriffe zunächst am Modell untersuchen und erlauben Rückschlüsse auf Realszenarien. Dies ermöglicht die Bewertung von Maßnahmen bereits während der Planung.
Neben der fortschreitenden Urbanisierung tragen weitere gesellschaftliche Veränderungen zur Erhöhung des Verkehrs bei. Hier ist unter anderem der zunehmende Lieferverkehr zu nennen, der durch verändertes Konsumentenverhalten (z.B. Online‐Handel, sowohl im Business‐to‐Consumer‐Bereich als auch im Consumer‐to‐Consumer‐Bereich) verursacht wird. Die Folgen sind offenkundig: Stau, Umweltbelastung (etwa durch Feinstaub) und Parkplatzmangel. Dabei befinden sich viele Fahrzeuge ohnehin einen großen Teil der Zeit geparkt im Stillstand. Und wenn sie sich bewegen, bleiben viele Sitzplätze in den Fahrzeugen ungenutzt. Um diesen Entwicklungen entgegenzuwirken, bedarf es eines grundsätzlichen Paradigmenwechsels mit neuen Verkehrskonzepten. Die Umsetzung von Lösungsstrategien ist aufwändig und der Erfolg ist schwer zu prognostizieren. Rebound‐Effekte können zu einer zur guten Absicht gegenteiligen Wirkung führen. So sollen Konzepte wie Car‐Sharing oder Ride‐Sharing zum Verzicht auf das eigene Fahrzeug anregen. Adressiert ein solches Angebot die falsche Zielgruppe, kann es ungewollt zur Alternative für den öffentlichen Personennahverkehr werden. Personen bilden Gemeinschaften, teilen ein Fahrzeug und fahren nicht mehr mit Bus oder Bahn.
Welche Maßnahmen tatsächlich die gewünschten Effekte zeigen, lässt sich oft erst nach Umsetzung bewerten. Bis zu diesem Zeitpunkt müssen jedoch bereits erhebliche Investitionen getätigt werden. Computerbasierte Simulationen können dabei unterstützen, Maßnahmen im Voraus realitätsnah zu untersuchen. Im geförderten Vorhaben wird eine Simulationssoftware entwickelt, die bei der Planung von innovativen Mobilitätskonzepten zur Verbesserung der innerstädtischen Verkehrssituation unterstützt. Der Fokus liegt auf der Modellierung der individuellen Verkehrsteilnehmer und der realistischen Abbildung deren Verhaltens im multimodalen Verkehr. Hierzu wird ein Ansatz mit intelligenten Softwareagenten weiterentwickelt. Ein Softwareagent verfolgt individuelle Ziele und agiert neben weiteren Agenten autark in einer definierten Umgebung. Eine Kombination der so entstehenden Multiagentensysteme mit Technologien aus dem Bereich der künstlichen Intelligenz schafft eine innovative Möglichkeit, das Verhalten und die Entscheidungsprozesse der Individualreisenden realitätsnah zu modellieren. Beispielsweise wird es in der geplanten Simulationsanwendung möglich sein, Faktoren wie Zeitdruck, Wechselwirkungen mit anderen Reisenden, verfügbare Ressourcen (z.B. öffentliche Verkehrsmittel oder Parkplätze) sowie individuelle Präferenzen und Werte bei der Modellierung der Entscheidungsprozesse zu berücksichtigen. Agenten repräsentieren Verkehrsteilnehmer und bewegen sich gemäß dem modellierten Verhalten und bilden die Individuen ab, die in Summe das Verhalten des gesamten Verkehrssystems bestimmen. Visualisierungen und Kennzahlen visualisieren und quantifizieren Effekte möglicher Maßnahmen. Alternative Interventionen können geprüft und dann implementiert werden.

Nach Angaben des Statistischen Bundesamts werden pro Jahr in Deutschland etwa 20 Millionen Patienten im Krankenhaus behandelt. Für jeden werden alle medizinisch bedeutsamen Informationen in Patientenakten dokumentiert. Die Codierung der Daten erfordert hochqualifizierte Fachkräfte. So umfasst allein die von der Weltgesundheitsorganisation herausgegebene „Internationale statistische Klassifikation der Krankheiten und verwandter Gesundheitsprobleme“ mehr als 12.000 Krankheitsklassen in 22 Kapiteln.

Minds-Medical hat eine Software entwickelt, die Patientenakten und Arztbriefe automatisch codiert. Das Unternehmen nutzt dafür Techniken des maschinellen Lernens und Methoden zur maschinellen Verarbeitung natürlicher Sprache.

Ziel des aktuellen Projekts ist es, mit Methoden des Transferlernens die Ergebnisse für alle Kundengruppen nutzbar zu machen. Das ist zurzeit nur eingeschränkt möglich, da sich das Vokabular zur Beschreibung der medizinischen Sachverhalte von Klinik zu Klinik unterscheidet und die Daten personenbezogene Informationen enthalten können.

Die Übertragbarkeit des vorhandenen Wissens wollen die Forscher dadurch möglich machen, dass sie vorhandene medizinische Terminologiesysteme als Basis der Klassifizierung von Patientendaten nutzen. Synonym verwendete Begriffe in verschiedenen Kliniken sollen so erkannt werden und demselben Code zugeordnet werden. Die Einführung der Codierungssoftware in einer neuen Klinik kann dadurch deutlich vereinfacht werden.

Potentielle Kunden sind die knapp 2000 Krankenhäuser in Deutschland. Laut einer Studie von Minds-Medical entstehen ihnen heute Personalkosten für die medizinische Codierung in Höhe von einer Milliarde Euro jährlich. Die neue Technologie soll auch von privaten Krankenversicherungen eingesetzt werden. Dort kann die Software bei Neukunden zur automatisierten Risikoanalyse dienen und anhand von Arztbriefen Vorerkrankungen erkennen.