Die Veranstaltung fand im CRC Clinical Research Center Hannover statt und stand unter dem Thema „Clinical Decision Support and Its Statistical Evaluation: What, How, and Why?“. Ziel des Treffens war es, Forschende zusammenzubringen, die sich mit den methodischen und klinischen Grundlagen medizinischer KI beschäftigen.
Die Einbindung von AI Grid wurde insbesondere durch die Unterstützung von Dr. Johannes Winter, Direktor von CAIMed und Mitglied des AI Grid Präsidiums, sowie von Dr. Zahra Ahmadi, Junior-Gruppenleiterin EMuLe & CAIMed am Peter L. Reichertz-Institut für Medizinische Informatik (PLRI), ermöglicht. Ihr Engagement förderte den wissenschaftlichen Austausch maßgeblich.
Wissenschaftlicher Dialog als Schwerpunkt
Der Besuch in Hannover legte einen starken Fokus auf interdisziplinäre Zusammenarbeit innerhalb der medizinischen KI-Community. Die Organisatoren räumten den AI Grid Mitgliedern zusätzlichen Raum für vertiefende wissenschaftliche Diskussionen ein, indem der Vormittagsplan verlängert wurde. Dadurch entstand ein Umfeld für konzentrierten Austausch sowie für die gemeinsame Auseinandersetzung mit aktuellen Forschungsfragen und methodischen Herausforderungen.
Wissenschaftliche Impulse am Vormittag
Die Vormittagssession bot Einblicke in mehrere zentrale Forschungsrichtungen der medizinischen KI.
Einen besonderen Schwerpunkt bildete die Präsentation zu Neurosymbolic AI durch Prof. Dr. Sören Auer, Direktor der TIB – Leibniz-Informationszentrum Technik und Naturwissenschaften und Universitätsbibliothek und Leiter der Forschungsgruppe Data Science and Digital Libraries. Vorgestellt wurden Ansätze, die neuronale Lernverfahren mit symbolischem Reasoning verbinden, um Interpretierbarkeit und wissensbasierte Anwendungen zu verbessern.
Weitere Diskussionen widmeten sich Foundation-Models für die biologische Datenanalyse. L3S Research Center präsentierte Arbeiten zum Single-Cell-Representation-Learning, das die Modellierung zellulärer Heterogenität mit skalierbaren Analysepipelines verbindet.
Großes Interesse galt auch generativen Modellen für die Wirkstoffforschung. Dabei wurden reinforcement-learning-optimierte Diffusionsmodelle für das molekulare Design vorgestellt und diskutiert, wie generative Prozesse gezielt in chemische Räume mit klinischer Relevanz gelenkt werden können.
Ein weiterer Beitrag zum Thema Cross-Modal Domain Generalization in Multimodal Learning wurde von Souptik Sen vom Peter L. Reichertz Institut für Medizinische Informatik (PLRI) präsentiert. Methodisch standen dabei Strategien zur Verbesserung der Generalisierungsfähigkeit multimodaler Modelle über unterschiedliche klinische Domänen hinweg im Fokus.
Auch die Präsentation MIMIC Pitfalls and Challenges for Multimodal Learning von Carolin Cissee, Wissenschaftliche Mitarbeiterin am Peter L. Reichertz Institut, beleuchtete zentrale Herausforderungen bei der Nutzung des klinischen Datensatzes MIMIC-IV für multimodale Lernansätze, insbesondere im Spannungsfeld zwischen Datenverfügbarkeit, Methodik und klinischer Relevanz.
Nach jeder Session beteiligten sich die AI Grid Mitglieder aktiv am wissenschaftlichen Dialog, stellten weiterführende Fragen und brachten eigene Perspektiven ein, wodurch der interaktive Charakter des Formats gestärkt wurde.
Klinische Entscheidungsunterstützung und verantwortungsvolle KI am Nachmittag
Das Meetup wurde am Nachmittag im Rahmen des offiziellen Programms fortgesetzt. Nach einem gemeinsamen Get-together und der Begrüßung der Teilnehmenden stellte Laure Poirson, Team Lead bei AI Grid, die Vision und wissenschaftlichen Aktivitäten von AI Grid vor und ordnete die Rolle der Community im Forschungsökosystem ein.
Den Auftakt der Fachvorträge bildete die Präsentation von Dr. Julia Böhnke, Wissenschaftlicher Mitarbeiterin an der Universität Münster, zur Schätzung diagnostischer Testgenauigkeit in longitudinalen Settings im Rahmen des ELISE-Projekts. Dabei wurden statistische Herausforderungen bei der Bewertung klinischer Diagnosesysteme über die Zeit diskutiert.
Anschließend zeigte Prof. Dr. Björn-Hergen Laabs, Gruppenleiter bei CAImed, statistische Eigenschaften effizienter klinischer Entscheidungssysteme auf und betonte die notwendige Balance zwischen Vorhersagegenauigkeit, Interpretierbarkeit und praktischer Einsetzbarkeit medizinischer KI-Technologien.
Nach einer kurzen Kaffeepause sprach Prof. Dr. Mehul Bhatt von Örebro University über Grundlagen verantwortungsvoller KI für neurokognitive Technologien der nächsten Generation. Im Mittelpunkt standen ethische Designprinzipien, Robustheit von Systemen sowie gesellschaftliche Auswirkungen KI-basierter Technologien in sensiblen Anwendungsfeldern.
Die Session wurde mit einer Paneldiskussion sowie einer Postersession fortgesetzt, in der weitere Forschungsarbeiten präsentiert und gemeinsam diskutiert wurden.
Posterbeiträge von AI Grid Mitgliedern
Die Posterpräsentationen ergänzten das wissenschaftliche Programm:
- Dennis Fast präsentierte Arbeiten zur vertrauenswürdigen Anwendung von Natural Language Processing für die klinische Textanalyse.
- Georgii Kolokolnikov stellte Forschung zu Deep Radiomics mit selbstüberwachter Vision-Architektur wie DINOv3 für die medizinische Bildanalyse vor.
- Erik Voigt zeigte Ansätze zur unüberwachten Konzeptentdeckung in dermatologischen Anwendungen.
- Hadya Yassin präsentierte schwach überwachte Segmentierungsverfahren für die Hirntumorklassifikation.
Wissenschaftliche Vernetzung als Grundlage zukünftiger Innovation
Über alle Programmpunkte hinweg wurde deutlich, dass Fortschritt in der medizinischen KI mehr erfordert als die Optimierung einzelner Modellmetriken. Die Diskussionen unterstrichen die Bedeutung hochwertiger Daten, sorgfältiger Evaluation und klinischer Anwendbarkeit algorithmischer Lösungen.
Besonders hervorgehoben wurde die Notwendigkeit, methodische Innovation mit realen Anforderungen der Gesundheitsversorgung zu verbinden. Medizinische KI entfaltet ihr Potenzial vor allem dann, wenn technische Entwicklung, klinische Expertise und verantwortungsvolle Gestaltung zusammenwirken.
Das Meetup endete mit umfangreichen Networking-Möglichkeiten, die den wissenschaftlichen Austausch zwischen AI Grid und der CAIMed-Community sowie weiteren Partnerinstitutionen vertieften. Der Besuch in Hannover markierte damit nicht nur eine wissenschaftliche Reise, sondern auch einen weiteren Schritt zur langfristigen Förderung interdisziplinärer Kooperation in der medizinischen KI-Forschung.
