Bias und Dateninhomogenität in Maschinellem Lernen: Bildgebung für COVID-19 und darüber hinaus

• Antragsteller: Professor Florian Bernard, Ph.D.; Professor Dr. Daniel Cremers
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Medizininformatik und medizinische Bioinformatik
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 458610525

Ansätze des maschinellen Lernens haben in den letzten Jahren bedeutende Fortschritte in der medizinischen Bildanalyse ermöglicht. Sie erlauben eine kohärente, schnelle und skalierbare Diagnose und Prognose von Krankheiten, wie z.B. COVID-19, anhand von radiologischen Bildern. Haupthindernisse für einen systematischen Einsatz dieser Techniken sind Bias (z.B. aufgrund unausgewogener Populationssmerkmale) und Dateninhomogenität (z.B. aufgrund unterschiedlicher Datenmodalitäten). Sie führen zu Unzulänglichkeiten hinsichtlich der Universalität und Generalisierbarkeit von Modellen des maschinellen Lernens. Damit beschränken Bias und Dateninhomogenität den Transfer wissenschaftlicher Ergebnisse in allgemeine klinische Anwendungen. In diesem Projekt werden wir neuartige Ansätze des maschinellen Lernens entwickeln, um diese Einschränkungen zu überwinden: (A) Confounder Mining: direkte Identifizierung von Confoundern, die Bias beim Training von maschinellen Lernmodellen hervorrufen. (B) Large-scale Lernen aus inhomogenen Daten: Deep Learning Verfahren zur Verbesserung der Universalität und Generalisierbarkeit, indem das Training aus großen zentren- und modalitätsübergreifenden Datensätzen ermöglicht wird. (C) Domain Adaptation und Transfer-Lernen: Systematisierung von Entwurfsmustern für neuronale Netzwerktopologien für verschiedene Teilbereiche von Domain Adaptation und Transfer-Lernen zum Umgang mit Bias in Daten. Insgesamt werden Bias und Dateninhomogenität somit aus drei komplementären Blickwinkeln angegangen, die in eine einheitliche Lösung integriert werden können: Identifizierung von Bias in (A), Anpassung an Inhomogenität in (B) und Anpassung an Bias in (C). Auf diese Weise können die negativen Auswirkungen von Bias und Inhomogenität erheblich reduziert werden, wodurch neue Möglichkeiten entstehen Methoden des maschinellen Lernens in großem Maßstab in die Klinik zu bringen.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Luxemburg
• Partnerorganisation: Fonds National de la Recherche
• Kooperationspartner: Andreas Husch, Ph.D.