Ein robustes, reliables und multimodales KI-System zur Schmerzquantifizierung

• Antragsteller: Professor Dr.-Ing. Ayoub Al-Hamadi; Professor Dr. Steffen Walter
• Fachliche Zuordnung: Medizininformatik und medizinische Bioinformatik
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 532219633

Das Vorhaben beschäftigt sich mit der Entwicklung eines robusten, reliablen und multimodalen KI-Systems zur Schmerzquantifizierung auf Grundlage der im Vorgängerprojekt akquirierten Datenbank X-ITE. Dabei steht im Vordergrund die Behandlungsqualität und die damit einhergehende Stärkung der Gesundheit und Lebensqualität von Patienten mit Demenz während der Aufwach- und Überwachungsphase nach operativen Eingriffen zu verbessern. Außerdem soll eine bessere Behandlung der Schmerzen und ihrer Ursachen ermöglicht werden, indem das medizinische Personal bei der Schmerzbeurteilung durch ein automatisiertes Echtzeitschmerzmonitoring unterstützt und entlastet sowie eine präzisere, individual- und situationsspezifische Analgesie ermöglicht wird. Speziell bei Demenzkranken ist die Schmerzerkennung in erheblichem Maße erschwert, da die Betroffenen häufig ihr Schmerzleiden vergessen bzw. die Fähigkeit dieses verbal zu äußern verloren haben. Aufgrund dieser kognitiven Einschränkungen sollten für diese Patienten Fremdeinschätzungsinstrumente für die Schmerzerkennung eingesetzt werden, da die Selbstauskunft als Goldstandard hier keine verlässliche Information darstellt. Hinsichtlich der automatischen Schmerzerkennung ergeben sich diverse Herausforderungen bezüglich der Daten (objektive Erfassung der Schmerzintensität, Variationen des Erscheinungsbildes, des Gesichtsausdruckes, der Kopfpose, der Beleuchtung oder Teilverdeckungen) sowie der Algorithmik (Interpretation der Mimik, begrenzte Verfügbarkeit von Proben, Wahl des Modelles und Ungleichverteilung der Klassen). Diese Herausforderungen werden in folgenden Teilzielen adressiert: 1. der Einsatz von tiefen neuronalen Netzen und Transferlernen mit umfangreichen, bestehenden in-the-wild Datenbanken zur Erhöhung der Robustheit gegenüber Varianzen des Erscheinungsbildes, der Beleuchtung, etc., 2. die Auswertung der bisher nicht verwendeten Modalitäten der Körperpose, Thermalbilder und Seitenansichten des Kopfes sowie komplexer Verfahren zur Fusion verschiedener Modalitäten, 3. die Verknüpfung von Deep Learning und zeitlicher Auswertung beispielsweise durch den Einsatz von Temporal Convolutional Networks (TCN) oder Transformern und 4. die Untersuchung der erreichbaren Messgüte bei Beschränkung der Sensorik auf Teilmengen der Modalitäten (z.B. nur Hautleitwert oder nur kontaktlose Sensorik). Eine kontinuierliche Prädiktion der Schmerzintensitäten wird mittels Regression ermöglicht werden. Durch den Einsatz von tiefen neuronalen Netzen, Transformern und Long Short-Term Memory (LSTM) in Kombination mit Transferlernen, sowie zusätzlicher, den durch Mimik ausgedrückten Schmerz bewertender, Label, ist eine deutliche Verbesserung der Schmerzerkennung bezüglich Reliabilität, Genauigkeit und Robustheit zu erwarten, die die Grundlage bilden soll für die Übertragung des Systems in die klinische Praxis.

• DFG-Verfahren: Sachbeihilfen