Ermöglichung effizienter und zertifizierbarer Lösungen in der diagnostischen Biomechanik durch Umformulierung modellbasierter inverser Probleme.

• Antragsteller: Professor Phaedon-Stelios Koutsourelakis, Ph.D.
• Fachliche Zuordnung: Mechanik
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 499746055

Die enormen Fortschritte der letzten Jahre im Bereich der künstlichen Intelligenz und des maschinellen Lernens haben sich unweigerlich auf den biomedizinischen Sektor ausgewirkt und ein neues, datenzentriertes Paradigma für die personalisierte Medizin hervorgebracht. Dennoch und insbesondere in der Biomechanik, können Daten allein nicht zu zufriedenstellenden Antworten führen, wenn nicht das reichhaltige und reichhaltige Fachwissen, das in Form von physikalischen Modellen zur Verfügung steht, einbezogen wird. Nehmen wir als Beispiel die Elastographie, die den primären Anwendungsbereich dieses Vorschlags darstellt und bei der Bilddaten, die während der Verformung von Gewebe gesammelt werden, zur Erstellung einer Diagnose verwendet werden. Dies wird durch die Verwendung eines physikalischen Modells erreicht, das die Nichtinvasivität des Verfahrens ermöglicht, was in Bezug auf Einfachheit, Kosten und Verringerung des Risikos von Vorteil ist. Im Gegensatz zu rein datenbasierten Methoden, die sich auf die Rohdaten der Bildgebung stützen und möglicherweise Schwankungen in der Gewebedichte erkennen können, kann die Identifizierung mechanischer Eigenschaften zu einer früheren und genaueren Diagnose führen und letztlich patientenspezifische Behandlungsstrategien ermöglichen. Die Verschmelzung von Daten mit kontinuumsmechanischen Modellen stellt eine Reihe von Herausforderungen dar, und das vorliegende Projekt zielt darauf ab, an den folgenden drei Fronten neue Beiträge zu leisten: Quantifizierung der Unsicherheit, Modellfehler und Berechnungseffizienz. Unsicherheit spielt bei allen datenzentrierten Problemen eine zentrale Rolle, und es ist unbedingt erforderlich, dass sie quantifiziert wird. Die offensichtliche Quelle der Unsicherheit sind die Daten selbst, die immer verrauscht, häufig knapp oder unvollständig sind. Eine weitere Quelle der Unsicherheit ist die, die aus dem Modell selbst stammt. Die verwendeten Modelle enthalten zwar das über Jahrzehnte angesammelte Wissen, aber sie sind unvollkommene Idealisierungen der physikalischen Realität. Auch wenn es immer möglich ist, Modellparameter an Daten anzupassen, kann ein falsches Modell zu einer falschen Diagnose und Prognose führen. Die dritte Herausforderung, die wir angehen wollen, betrifft die rechnerische Komplexität der Lösung von modellbasierten, inversen Problemen. Praktisch alle einschlägigen numerischen Methoden beruhen auf der Verfügbarkeit eines gut gestellten Vorwärtsmodells, das Millionen von Malen gelöst werden muss, und jede dieser Lösungen kann mehrere Stunden auf mehreren CPUs oder maßgeschneiderter Hardware erfordern. Das Projekt schlägt einen neuartigen Bayes'schen Rahmen vor, der die Einschränkungen traditioneller, Black-Box-basierter Formulierungen überwindet. Die herrschenden Gleichungen werden als Datenquellen (virtuelle Observablen) behandelt, die adaptiv und hierarchisch in einer selbstüberwachten Weise ausgewertet werden.

• DFG-Verfahren: Sachbeihilfen