MIEdeep - Tiefe neuronale Netze zur Gewinnung medizinischer Informationen aus unstrukturierten deutschsprachigen Texten

• Antragsteller: Professor Dr. Christoph Dieterich; Professor Dr. Nicolas Geis
• Fachliche Zuordnung: Medizininformatik und medizinische Bioinformatik
• Förderung: Förderung seit 2020
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 443363368

In der Medizin werden viele behandlungsrelevante Informationen nach wie vor in Form von unstrukturierten Texten in deutscher Sprache erfasst. Ein typisches Beispiel ist der Arztbrief, der als Transferdokument für die Kommunikation zwischen Ärzten gedacht ist.MIEdeep (Medical Information Extraction using deep learning) möchte diese Datenquelle für die Gewinnung von Informationen nutzbar machen. Hierfür kommen innovative Ansätze aus den Bereichen der tiefen neuronalen Netze (Deep Learning) und der maschinellen Sprachverarbeitung (NLP) zum Einsatz. Wir verknüpfen Ansätze maschinellen Lernens für die Datenaufbereitung, Erstellung von Trainingsdaten und Informationsextraktion mit einer modernen grafischen Benutzeroberfläche, die für den Einsatz in einem klinischen Umfeld geeignet ist. Ein wesentliches Merkmal unseres Antrags ist data programming. Hierbei werden einfache labeling functions erstellt, die große Mengen an ungenauen Trainingsdaten für fortschrittliche Ansätze maschinellen Lernens schnell und ohne manuelle Interventionen erstellen können. Diese werden dann durch weak supervision Ansätze für die Informationsextraktion optimiert und nutzbar gemacht. MIEdeep verpackt diesen Arbeitsablauf hinter einer intuitiven grafischen Benutzeroberfläche, die damit deep learning Verfahren für klinische Domänenexperten verfügbar macht.Unser Antrag zielt auf eine Sekundärnutzung des großen Datenpools von unstrukturierten medizinischen Daten aus der Routineversorgung ab. Insbesondere die Anwendung von data programming Verfahren könnte dieses Vorhaben beschleunigen. In einem Folgeprojekt könnten die aus Texten extrahierten Information in klinische Entscheidungsprozesse einfließen und somit einen direkten Mehrwert für die Behandlung generieren. MIEdeep hat das Potenzial deutschsprachige Lösungen für klinische NLP Probleme entscheidend voranzubringen.Nach einer erfolgreichen Erprobung in der kardiologischen Abteilung am Heidelberger Universitätsklinikum, lässt sich derselbe Ansatz auf andere medizinische Themenbereiche und Kliniken ausweiten. Im Wesentlichen würde unsere entwickelte Software in einem geschützten Rahmen installiert und angepasst werden.

• DFG-Verfahren: Sachbeihilfen